思考、体验了两天 Agent Loops,我们发现下面这几个场景是最高可用的。
Source: http://x.com/i/article/2068230044007493632
受到 Nate 这个视频启发: https://www.youtube.com/watch?v=EuzYhzB0vbI 过去两天,Agent Loops 这个词出现得很频繁。大家大概能理解它不是普通 prompt,也不是单纯多开几个 agent,但真正落到工作流里,很多人还是会卡在一个问题:它到底适合干什么?
我重新看了一遍 Nate 这个视频,也结合这两天自己的体验,感觉现在最值得讨论的不是“Agent Loop 的定义”,而是哪些场景已经足够可用。
我理解 Nate 的核心意思是:loop engineering 本质上是把“人不断 prompt agent”这件事,替换成一个系统自己去 prompt agent。一个 loop 至少要有目标、动作、停止条件。更准确地说,是 reason、act、observe,然后重复,直到验证通过。
这里最关键的不是 repeat,而是 observe。因为如果没有验证,loop 只是更贵、更长时间的瞎忙。agent 会不停产出,但不知道什么时候该停,也不知道每一轮是不是真的变好了。
看完 Nate 提到的几个例子,我觉得目前最高可用的场景大概是下面这几类。
—
1. 调研到产物的循环
Nate 自己做这个视频时,就让 agent loop 去读很多来源:文章、YouTube transcript、X post 等,然后围绕 Agent Loops 这个主题不断整理,最后生成一个 HTML 页面。
这个场景很适合 loop,因为它不是一次性总结,而是“收集资料 → 形成结构 → 生成产物 → 检查遗漏 → 再补资料 → 再改结构”。
这类任务对知识工作者很实用。比如研究一个新产品、拆一个技术趋势、做一份竞品分析、整理一个课程大纲。人最烦的不是第一版总结,而是反复补洞:还有哪些关键来源没看?哪些观点重复?哪些例子太虚?哪些结论没有证据?这些都可以变成 loop 里的检查项。
2. 封面、缩略图和广告创意
Nate 展示了一个 thumbnail loop:让 Claude Code 先生成 10 个 YouTube thumbnail 概念,再按小尺寸清晰度、好奇心、情绪吸引力、视觉对比等维度打分,选出前三个,找出每个方案最弱的地方,继续改,再重新打分,最后收敛到一个更强版本。
这个场景很典型。AI 一次给 10 个创意并不难,难的是继续筛、继续改、继续比较。Agent Loop 的价值就在这里:它可以把“多方案 → 打分 → 选优 → 修改 → 再打分”变成一个自动循环。
但这里也有边界。创意评分有很强主观性,所以不能简单写“改到你满意为止”。更靠谱的做法是把评分拆细,或者用一个单独 checker agent 专门做评审。否则模型很容易自己给自己打高分。
3. 前端、3D 和可视化代码
Nate 的第二个例子是用 Three.js 做一个 3D 飞机。agent 不只是写代码,还要打开浏览器,检查飞机有没有渲染出来,能不能旋转、缩放,视角是否正常,然后继续改。
这类任务非常适合 Agent Loops,因为验证工具明确:浏览器、截图、console、测试、像素检查、交互检查。只要 agent 能看到结果,它就能从“我写完了”进入“我看过了,哪里不对,再改”。
我觉得这也是 Agent Loops 对产品开发最直接的价值。做 landing page、dashboard、组件库、数据可视化、Three.js 场景,都不应该只停在代码生成。真正可用的 workflow 是:生成 → 跑起来 → 截图 → 对照目标 → 修布局 → 再截图。
4. 视觉复刻和设计实现
Nate 还让 Claude Code 用纯 HTML/CSS 复刻 Beatles 的 Abbey Road 图片。它迭代了很多轮,也确实每轮都截图验证,最后能看到车、树、路、天空、斑马线这些元素,但结果依然不像原图。
这个例子反而很有价值:它说明 loop 不是魔法。只要验证标准和工具不够强,循环再多轮也只能把错误变得更有条理。
所以视觉复刻适合用 Agent Loop 做“结构、布局、颜色、元素关系”的近似实现,不适合拿它硬做照片级还原。如果目标本来就是图片质量,应该把 image generation、视觉模型、设计工具一起放进 loop,而不是只靠 HTML/CSS。
5. 视频剪辑和内容后期
Nate 说他自己最常用的 loop,是用 Claude Code 和 Hyperframes 做视频剪辑:拿 transcript,剪掉错误和停顿,做 beats,同步节奏,渲染,再检查每个 beat 是否在边界内、是否和 transcript 对齐。
这个场景我觉得非常值得关注。因为视频剪辑里有大量“人类很烦、机器可查”的细节:字幕有没有错位,停顿有没有切掉,转场是不是卡在错误位置,画面和脚本是否对齐,导出文件有没有问题。
它不是让 AI 一次性剪出最终大片,而是把剪辑流程里最机械、最需要反复检查的部分交给 loop。对内容团队来说,这比“AI 帮我写一个脚本”更接近生产力。
6. 脚本、文章和播客提纲
Nate 提到,如果是写 script,就不需要视觉验证,而是要检查 flow、voice、tone。这个场景看起来主观,但其实也可以拆成半客观:开头有没有说清矛盾,段落之间有没有断,例子是否具体,语气是否一致,是否有 unsupported claim,结尾是否能落到行动建议。
所以写作类 loop 的重点不是“让 AI 写到满意”,而是给它一张明确的审稿表。它每一轮都要按表检查,而不是凭感觉说更好了。
7. 团队代码库里的持续开发循环
Nate 也提醒,不是每个人都需要 24/7 的 agent fleet。对个人知识工作者来说,很多 loop 跑 30 分钟到 2 小时就够了。但如果是团队在一个真实代码库里持续开发,agent 长时间跑测试、修 bug、开 PR、检查回归,就会更合理。
这也是为什么别人说“我已经不 prompt agent,我写 loops”时,不一定能直接照搬。Peter Steinberger 这种重度工程场景,和普通内容创作者、运营、研究者的需求完全不同。
—
判断标准:先问它能不能被检查
不要先从多 agent 架构开始,而要先从“这个任务能不能被检查”开始。
一个任务适合 loop,通常有几个特征:目标可以描述清楚,过程可以拆成多轮,结果可以被工具观察,失败可以被定位,停止条件可以写出来。
反过来,如果你连什么叫 done 都说不清,或者 agent 没有工具检查结果,那就不要急着做 loop。那不是自动化,只是把不确定性放大。
这也是 Nate 这个视频最有价值的地方。他没有把 Agent Loops 讲成一个新名词,而是把它拉回到几个很实际的问题:你要它做什么?它怎么知道自己做完了?它每一轮怎么检查?什么时候必须停?
往后看,AI 产品真正的分水岭可能不只是模型多强,而是谁能把这些 loop 做成稳定工作流。
从 prompt 到 loop,本质上是从“让模型回答”走向“让系统交付”。
—
资料来源
资料放这里,方便自己 verify: https://www.youtube.com/watch?v=EuzYhzB0vbI https://www.linkedin.com/posts/nateherkelman_finally-agent-loops-clearly-explained-activity-7473786765946855424-T5fu
https://www.skool.com/ai-automation-society?c=e2d58b6295b940cebad1e96bb936efb1&fl=&s=newest-cm