让AI Agent从“偶尔帮忙”变成“可持续作业”，需要的不只是更好的提示词，而是一套完整的工程架构。清新研究团队提出的Loop Stack六件套——Automations、Worktrees、Skills、Connectors、Triage、Memory——加上预算、权限、停止条件三条底线，构成了AI编程循环工程的完整产品底座。

循环工程需要一套完整的产品能力底座。Automations（心跳）——负责定时、事件或目标驱动地唤醒Agent。Claude Code的/loop可在会话内周期性重复运行任务，适合轮询、PR监控、长构建检查；Codex的automations可在后台执行周期任务。好的心跳不只是频率，而是知道何时不必打扰。Worktrees（隔离层）——多Agent并行必须先解决文件冲突，每个并行Agent需要独立工作区。Skills（项目知识）——SKILL.md让项目知识外化，记录可复用流程，减少重复粘贴长说明的成本。没有Skills，循环每轮都在重新猜你的项目。Connectors（外部触手）——MCP/插件让循环触达真实业务系统。Triage（审查缓冲区）——后台发现先进入组织决策缓冲区，再决定归档、修复或交接。Memory（记忆）——Agent会忘，但仓库不会，状态不应只留在上下文中。

六件套零件不够，还需要三条底线决定循环是否可生产。预算——控制每轮可消耗的token数、工具调用次数和总运行成本，防止成本黑洞。大上下文和多sub-agent会放大成本，固定频率循环容易过度轮询。权限——最小权限原则，默认只给当前任务需要的工具，敏感数据和关键系统先排除，权限升级必须有理由、记录和审批。停止条件——每条Loop启动前先写清楚验收标准，完成不是声明而是证据（Proof-of-Done）。这三条底线决定了一个循环是否能从“技术可行”走向“生产可用”。没有预算的循环可能耗尽资源，没有权限边界的循环可能造成安全风险，没有停止条件的循环可能无限运行。

循环工程的规模化部署需要建立完整的运营模型。每条循环都应像服务一样登记——集中登记，可查看状态、成本、权限和最近结果，可按团队、仓库、风险级别过滤。循环舰队管理一组循环，而不是单条自动化。模型路由——根据不同任务选择最优模型。评估资产库——失败样本会产生复利，每次失败都应沉淀为评估用例。技能库治理——Skills是复用资产，也可能变成供应链风险，每个Skill都应经过审查和版本管理。连接器治理——每个工具接入都要问三个问题：它需要什么权限？它访问什么数据？它失败时会怎样？组织角色变化——开发团队将管理人、Agent、循环和反馈系统。

循环工程不会替代工程师——优秀Loop的价值是少跑几轮，最危险的是舒服地照单全收。循环工程是AI编程的系统化下一层，它构建的是人、Agent、循环三者之间的可持续协作关系。Build the loop, stay the engineer——Agent负责执行，循环可以提示Agent，但工程判断不能外包。人必须保留工程师席位（Engineer Seat），在关键决策点保留人类判断，在风险操作前设置人类门控，在系统异常时提供人类兜底。