# 吴恩达谈"循环工程(Loop Engineering )" AI智识录 · 2026-07-03 本集拆解吴恩达（Andrew Ng）7月1日发表的"循环工程（Loop Engineering）"方法论：他主张现代AI辅助产品开发由三个层层嵌套的循环构成完整闭环。第一层是代理编码循环（Agentic Coding Loop），AI代理拿到产品规格说明书与评估数据集（Evals）后自主写代码、测试、纠错，可无人介入连续工作数小时——吴恩达以给女儿做打字练习软件为例，AI独立干了一个多小时，还会自己打开浏览器检查排版。第二层是开发者反馈循环，当AI消灭低级bug后，人类从"人工质检员"转向更高维度的产品决策，他强调人类拥有AI不具备的"上下文优势（Context Advantage）"即用户习惯、市场环境等背景知识，并直言不喜欢"品味"这个词，因为一旦承认这只是信息差，解法就是将脑中知识显性化持续喂给AI。第三层是外部反馈循环，通过Alpha测试、A/B测试获取真实用户反馈，周期长达数天甚至数周，却直接决定产品市场匹配度，反馈倒逼愿景修改，愿景传导至规格说明书，再驱动AI开启新一轮编码。他同时观察到AI编码门槛降低正促使软件工程师向产品经理延伸，最大挑战是在"向外看"吸收用户反馈与"向内建"将愿景转化为规格之间找平衡；而非技术背景的产品经理与设计师也借AI获得更强工程能力，角色边界正双向溶解。 ## Questions this episode answers ### 吴恩达提出的三个循环分别是什么？ 吴恩达在从0到1构建产品时依赖三个层层嵌套的循环：第一层是代理编码循环，AI自主写代码、测试、纠错；第二层是开发者反馈循环，人类做高维产品决策；第三层是外部反馈循环，通过真实用户测试倒逼产品愿景调整，三者像齿轮一样咬合成闭环。 [1:39](https://ai.podhood.com/983a708b-69b7-4470-b2a4-1c45ef3abfdd?t=99000) ### 吴恩达为什么不喜欢用“品味”这个词，而提出“上下文优势”？ 吴恩达认为“品味”听起来像与生俱来的玄学，而“上下文优势”更科学：人类拥有关于用户习惯、市场环境与行业常识的背景信息，这些存在于人脑中而AI系统里没有。一旦承认这只是信息差，解决方案就清晰了——把脑中背景知识显性化并持续喂给AI。 [8:09](https://ai.podhood.com/983a708b-69b7-4470-b2a4-1c45ef3abfdd?t=489000) ### 如果AI总在同类问题上反复犯错，吴恩达建议怎么办？ 吴恩达建议不要生气或反复责骂AI，而应该去写一套评估数据集（Evals）。这相当于给AI立一面镜子，它每次改完代码就能自己照一照，知道错在哪里，从而避免反复掉进同一个坑里。 [6:54](https://ai.podhood.com/983a708b-69b7-4470-b2a4-1c45ef3abfdd?t=414000) ### AI编程普及后，工程师和产品经理的角色发生了什么变化？ 吴恩达观察到，随着AI编程代理越来越强大，越来越多软件工程师开始承担产品经理的角色，深入思考该做什么产品；同时非技术背景的产品经理和设计师也借助AI完成更多工程任务，角色边界正在双向溶解。最难的是平衡“向外看”吸收用户反馈与“向内建”转化规格之间的张力。 [10:43](https://ai.podhood.com/983a708b-69b7-4470-b2a4-1c45ef3abfdd?t=643000) ## Key moments - **[0:00] 开场引入** - [1:39] 吴恩达提出从0到1做产品要装着3个关键循环，循环工程决定做什么产品 - **[1:46] 代理编码循环** - [1:46] 代理编码循环：给AI一份规格说明书和Evals考卷，它就能自主写代码、测试、纠错 - [3:03] 吴恩达给女儿做打字软件：AI代理独立干了一个多小时，自己开浏览器检查排版 - **[3:59] 开发者反馈循环** - [4:38] 开发者角色反转：AI消灭低级bug后，人类从人工质检员转向高维产品决策 - **[7:10] 上下文优势** - [7:22] 吴恩达：我不喜欢'品味'这个词，人类的不可替代性是'上下文优势'（Context Advantage） - **[8:56] 外部反馈循环** - [8:56] 外部反馈循环：Alpha测试和A/B测试虽慢至数周，却直接决定产品有没有人要 - **[10:27] 角色转变趋势** - [10:27] 吴恩达预测：AI编码门槛降低，越来越多软件工程师开始承担产品经理角色 - [11:15] 转型工程师最难的是平衡'向外看'吸收用户反馈与'向内建'转化规格说明的张力 - **[12:07] 总结** - **[12:35] 广告** ## Topics AI开源与Agent生态 ## Mentioned Claude Code (product), OpenClaw (product), UNAVE (product) ## Transcript ### 开场引入 **Host** [0:00] 大家好 ， 欢迎收听今天的节目 。 如果你最近一直关注 AI 圈子的动态 ， 你可能或多或少听说过一个新冒出来的热词 ， 叫 " 循环工程 "， 英文是 Loop Engineering。 这个词最近在国外的社交媒体上简直是火出圈了 。 它的起因非常有意思 ，是两位在这个领域里神仙打架般的大佬 ： 一位是做 Claude Code 的创始人 Boris Cherny， 另一位是做开源神器 OpenClaw 的核心人物 Peter Steinberger。他们俩在网上探讨了这个概念 ， 结果一石激起千层浪 ， 彻底把 " 循环工程 " 这个词给带火了 。 大家都在热烈地讨论 ： 那到底什么是循环工程呢 ？ 大家别被这 4 个看起来冷冰冰的字眼给吓到 。其实吴恩达 （Andrew Ng） 老师最近就专门针对这个话题 ， 发了一篇非常长 、 非常有干货的推文 ，他深度拆解了自己是如何利用 " 循环工程 " 来从 0 到 1 做产品的 。 今天我就把吴恩达老师的这篇深度思考 、 原汁原味儿 、 掰开揉碎了讲给大家听 。 以前咱们开发一个软件 ，是程序员坐在电脑前 ， 一行一行地敲代码 、 改 bug。 现在呢 ， 我们有了 AI 代理 ， 或者叫智能体程序员 。 但是 ， 你不能扔给 AI 一句话就去睡大觉了 ， 你得给它建立一套机制 ， 让它在一个闭环里面 ， 自己不断地写代码 ， 自己去测试 ， 发现错了自己改 。 这种让 AI 像在一个圈儿里不断自我纠错 、 自我进化的过程 ， 就是循环工程 。 吴恩达老师说 ，在从 0 到 1 构建产品的时候 ，他心里一直装着 3 个至关重要的 " 循环 "。 这 3 个循环不仅指导他如何去写代码 ， 更重要的是 ， 它们帮助他决定到底该做一个什么样的产品 。 ### 代理编码循环 **Host** [1:46] 好 ， 我们就按顺序 ， 一个一个来聊这 3 个关键循环 。 首先 ， 第 1 个循环 ， 吴恩达管它叫 " 代理编码循环 "， 英文是 Agentic Coding Loop。 这是什么意思呢 ？ 你可以把它想象成 ， 你雇佣了一个永远不知疲倦的实习生 。在这个循环里 ， 你作为老板 ， 只需要给这个 AI 实习生提供两样东西 ： 第一样是一份产品规格说明书 ，也就是你想要的功能清单 ； 第二样是可选的 ， 叫评估数据集 ， 或者我们行话叫 Evals。 你可以把它理解为一份打分表 ， 或者考卷 ， 用来衡量它做得对不对 。 只要有了这两样东西 ， 奇迹就开始了 。 你的 AI 代理会自己跑去写代码 ， 写完一段 ， 它就自己对照着考卷去测试 。 如果发现哪里报错了 ， 或者没达到要求 ， 它根本不用来问你 ， 自己扭头就回去改代码 ， 然后再测 ， 再改 。 就这样在这个小闭环里疯狂地转圈圈 ， 直到写出完全没有 bug、 完全符合你那份规格说明书的代码为止 。 吴恩达非常感慨地说 ， 这种闭环的真正大爆发 ，其实也就是去年年底才开始的事情 ，但它绝对是一个改变行业游戏规则的存在 。 为什么 ？ 因为它让 AI 能够在完全没有人类插手的情况下， 独立且高效地工作好几个小时 。他举了一个自己生活中的真实例子 ： 就在上周末 ，他想给自己的女儿做一个练习打字的小软件 。他把需求丢给了 AI 代理之后， 你猜怎么着 ， 这个 AI 代理自己在那儿默默地干了 1 个多小时 。在这个过程中，AI 甚至会自己打开网页浏览器 ， 去看看自己写出来的页面长什么样 ， 检 查一下排版对不对 ， 发现问题就自己回去调试 。 整个过程 ， 吴恩达根本不需要在旁边盯着 ， 这在以前是完全无法想象的 。 要知道 ， 这个 " 代理编码循环 " 的运转速度是极快的 ， 可能每隔几分钟 ，AI 就能构建并测试出一个全新的软件版本 。 吴恩达说 ， 现在每天都能听到开发者们发明各种各样的新技巧 ， 来让这个循环跑得更快 、 更聪明 。 ### 开发者反馈循环 **Host** [3:59] 这绝对是当下最具活力的创新前沿 。 好 ， 说完了由 AI 主导的第 1 个循环 ， 我们接下来看第 2 个循环 ， 吴恩达称之为 " 开发者反馈循环 "（Developer Feedback Loop）。 如果说第 1 个循环是 AI 在蒙头狂奔 ， 那这第 2 个循环就是我们人类开发者站出来掌控大局的时候了 。在这个环节 ， 角色的重心发生了反转 ， 变成了你和我这样的开发者去审视产品现在的状态 ， 然后引导 AI 往哪个大方向去改进 。 你可能会觉得 ， 嗨 ， 这不就是产品经理验收吗 ，有什么新鲜的 ？ 但其实 ， 这里面发生了一个巨大的质变 。 回想一下， 就在去年， 包括吴恩达自己在内的很多开发者 ， 我们扮演的是什么角色 ？ 我们其实是 AI 的 " 人工质检员 "，也就是 QA。 我们得一行行看代码 ， 手动点来点去测试 ， 找 bug， 然后跑去告诉 AI： 嘿 ， 这儿有个报错 ， 你去修一下 。 但现在情况不同了 ，因为 AI 自己测试代码的能力已经飞速提升 ， 它在第 1 个循环里就把那些低级的 bug 搞定了 。 这意味着什么呢 ？ 意味着我们花在质检上的时间大幅度减少了 ， 我们终于被解放出来了 ， 可以把精力放在更高维度的产品决策上 。 比如 ： 这软件的核心玩法到底对不对 ？ 这个按钮放在这里用户体验好不好 ？ 吴恩达继续拿他给女儿做的那个打字软件举例子 ，他说在这个过程中 ，他多次 " 改变了主意 "。 比如软件的视觉风格 ，他来回调整了好几次 。 为了吸引女儿的兴趣 ，他还设计了一个机制 ： 只要打字练习达标 ， 就能解锁不同风格的猫咪服装 。 那到底该设计哪些猫咪服装 ？ 解锁的难度该怎么定 ？ 还有 ， 家长如果想登录后台查看孩子的进度 ， 这个登录流程该怎么设计 ？ 这些东西 ，AI 目前是没法替你做决定的 ， 必须由人类开发者依靠直觉和经验来拍板 。在这个循环里 ， 人类的反馈频率就没有那么快了 ， 通常是你每隔几十分钟 ， 或者几个小时， 来看一眼产品 ， 给出新的指示 。 讲到这里 ， 吴恩达分享了一个非常深刻的痛点 ： 即便你脑子里有一个非常清晰的愿景 ， 你想把它精准地翻译成 AI 能看懂的规格说明书 ， 依然是一件非常费时费力的事情 。 而且 ， 人都是视觉动物 ， 很多时候 ， 当 AI 吭哧吭哧把第一版做出来 ， 你亲眼看到了之后， 你才会恍然大悟 ： 哦 ， 原来这不是我想要的 。 于是 ， 你又会跑回去 ， 修改你的愿景 ， 重新把规格写清楚 ， 然后再让 AI 去重做 。在这里 ， 吴恩达给了一个非常实用的建议 ： 如果你在开发中发现 ， 你的 AI 老是在同一类问题上卡住 ， 或者反复犯同一个错 ， 别生气 ，也别一遍遍地骂它 。 这时候你应该去写一套刚才我们提到的评估数据集 （Evals）。 这就好比 ， 你给 AI 立了一面镜子 ，有了这面镜子 ， 它每次改完代码 ， 就能自己照一照 ， 自己就知道错在哪 ， 从而避免反复掉进同一个坑里 。 ### 上下文优势 **Host** [7:10] 在聊这个阶段的时候 ， 吴恩达还引出了一个非常哲学 、 也非常关键的洞察 。他说 ， 现在很多 AI 原生的团队 ， 已经开始频繁地用 AI 来辅助产品定位了 。 比如让 AI 自动去分析用户数据 ， 或者去总结后后一答的用户反馈 ， 甚至做竞品分析 。 但是 ，有一点非常明确 ： 至少就目前而言 ，在吴恩达参与的所有产品开发中 ，他发现 ， 人类依然拥有一个极其巨大的优势 。他把这个优势命名为 " 人类的上下文优势 （Context Advantage）"。 这是什么意思呢 ？ 大家想想 ， 我们人活在真实的世界里 ， 我们知道我们的目标用户是谁 ， 我们知道大家平时习惯怎么用手机 ， 我们甚至知道现在市场上流行什么风气 。 所有这些背景信息 、 行业常识 、 潜规则 ， 存在于你的脑子里 ，但 AI 的系统里根本没有这些东西 。 它不知道的东西 ， 它怎么可能做出正确的判断 ？ 很多人喜欢把人类这种 " 做决定的能力 " 叫做 " 品味 "， 说这个人做产品很有品味 ，但吴恩达直言不讳地说 ： 我不喜欢 " 品味 " 这个词 。 因为 " 品味 " 听起来像是一种与生俱来的 、 玄乎其玄的魔法 。 相比之下，" 上下文优势 " 这个词就科学得多了 。 为什么呢 ？ 因为一旦你承认这只是信息差 、 只是上下文的区别 ， 你就知道该怎么去优化了 。 只要我们想办法把脑子里的这些背景信息用文字表达出来 ， 源源不断地喂给 AI，AI 就能越来越懂你 。 这也完美解释了为什么目前的开发者反馈循环还无法完全自动化 。 因为只要人类脑子里还有 AI 不知道的背景知识 ， 你就必须让人类亲自下场去引导产品的方向 。 ### 外部反馈循环 **Host** [8:56] 好 ， 现在我们说完了 AI 蒙头狂奔的代码循环 ，也说完了开发者把握方向的反馈循环 。 最后， 我们来聊聊第 3 个 ，也是范围最广的一个循环 ： 外部反馈循环 （External Feedback Loop）。 如果说前 2 个循环还是在咱们自己的小作坊里闭门造车 ， 那这第 3 个循环就是要把产品拉出去溜溜了 。在这个循环里 ， 你可能会把做好的软件发给几个好朋友看一看 ， 或者你找一小批种子用户进行 Alpha 测试 ， 甚至你直接把代码上线 ， 给真实的用户做 A/B 测试 ， 看看哪个版本的数据更好 。 这类策略有一个共同的特点 ， 就是 " 慢 "。 它不可能像写代码那样几分钟见效 ， 它往往需要好几天 ， 甚至好几周的时间 ， 你才能收集到有意义的 、 真实的反馈数据 。 但是 ， 慢工出细活这个循环的反馈是极其致命 、 极其重要的 ，因为它直接决定了你的产品有没有人要 。 这些来自真实外部世界的反馈 ， 会反向倒逼你作为开发者 ， 去修改你脑子里的产品愿景 。 当你的愿景变了 ， 你就会去修改给 AI 看的规格说明书 。 说明书一变 ， 你的 AI 代理又会开始新一轮的疯狂写代码 。 你发现没有 ， 这 3 个循环就像 3 个互相咬合的齿轮 ： 外部世界的反馈拨动了你脑海中的产品愿景 ， 你的愿景转化成了 AI 的行动指南 ，AI 的执行力最终变成了一行行能够运行的代码 。 这就是一个完美的循环工程大闭环 。 节目的最后， 吴恩达老师站在行业观察者的角度 ， 分享了一个让人非常兴奋的宏观趋势 。他说 ， 随着 AI 编程代理变得越来越强大 ， 写代码这件事正在变得越来越容易 。 ### 角色转变趋势 **Host** [10:43] 于是 ， 一个奇妙的现象发生了 ： 你会看到 ， 越来越多的程序员 、 软件工程师 ， 开始承担起一部分产品经理的角色 。 以前 ， 程序员只管接需求 、 敲代码 ； 现在 ，AI 帮他们把敲代码的时间省下来了 ，他们就有了大把的余力 ， 去深入思考 " 我们到底应该做一个什么东西 "。 这其实是对程序员群体的一次能力大升级 。 但吴恩达也坦言 ， 对于这些想要往产品方向转型的工程师来说 ， 最难的跨越是什么呢 ？ 是塑造产品愿景 ，并且找到一个极度微妙的平衡点 。 你想啊 ， 作为这样一个复合型人才 ， 你既要花时间向内看 ， 把你的愿景转化为清晰的规格说明 ， 然后交给 AI 去把软件造出来 ； 同时， 你又要花大把的时间向外看 ， 去外面倾听用户的反馈 ， 把用户骂你的 、 夸你的话重新吸收进你的愿景里 。在 " 向外获取反馈 " 和 " 向内构建产品 " 这 两件事之间来回切换 、 端水找平衡 ， 这真的是一件非常有挑战性的事情 。 不过 ， 吴恩达也表示 ，他看到工程师们正在扮演越来越宽广的角色 。 同时， 很多原本不懂技术的产品经理和设计师 ， 现在借助 AI 也能完成越来越多的工程任务了 。 大家都在打破自己的能力边界 ， 这真的是一个让人无比振奋的时代趋势 。 以上就是吴恩达关于循环工程的深度分享 。 从 AI 的代码狂奔 ， 到开发者的纠偏引导 ， 再到真实世界的残酷检验 ， 这 3 个循环构成了当下 AI 时代最先进的软件开发方法论 。 ### 总结 **Host** [12:22] 希望今天的拆解 ， 能让你对 " 未来 AI 如何协助我们工作 " 有一个全新的认识 。 好了 ， 今天的分享就到这里 ， 欢迎订阅 《AI 智识录 》， 获取最新鲜的 AI 领域最新智识 。 最后插播一个广告 ： 主播自己的 AI 创业产品 UNAVE， 一个能一键整合你的飞书 、 钉钉 、 腾讯会议 Cloud 和其他录音卡 、 录音豆 ， 随时随地帮您解读日常会议与沟通背后的深意 。 ### 广告 **Host** [12:50] 锁定关键信息的 Agent 应用已经正式上线 ， 最新的版本也支持了直接给它播客链接 ， 它就能轻松完成转写 、 总结 、 分析 ， 甚至多个播客的关联解读和分析 。 如果你有兴趣 ， 欢迎在本播客的公告栏查看体验方式 ， 我们下期见 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。