Loop engineering: ИИ-агенты промптят друг друга, а человек проектирует цикл

Нет, стоп. Это был пример из промпта. Пишу по реальному источнику.

---

Питер Стайнбергер, создатель Openclaw, одной фразой сдвинул фокус индустрии кодинг-агентов: вместо ручного промптинга он предложил проектировать циклы, которые промптят агентов сами, и теперь этот подход встроен в Codex и Claude Code.

Термин loop engineering (проектирование циклов для ИИ-агентов) появился не в академической статье, а в вирусном твите Питера Стайнбергера. Адди Османи, в прошлом директор Google Cloud AI, и Борис Черный, глава Claude Code в Anthropic, подхватили идею и описали её как следующий этаж над harness (обвязкой, то есть средой, инструментами и правилами, в которых живёт один агент). Теперь ключевые детали цикла зашиты прямо в продукты, а не собираются из самодельных bash-скриптов.

Чем loop engineering отличается от обычной работы с агентом?

Два года стандартный рецепт выглядел так: вы пишете промпт (текстовую инструкцию для модели), читаете ответ, пишете следующий промпт. Агент остаётся инструментом на коротком поводке. Harness улучшает эту схему: даёт агенту память, правила, удобную среду. Но человек по-прежнему формулирует каждый ход.

Loop engineering поднимается на этаж выше. Вы строите систему, которая сама:

• Хранит состояние между проходами, записывая результат на диск или в память проекта
• Выбирает следующий шаг, не дожидаясь вашей команды
• Проверяет результат внешним критерием (оракулом): тесты, линтер (инструмент проверки кода на ошибки), зелёный CI (автоматическая сборка и проверка проекта) или отдельная модель-судья
• Останавливается по условию или по бюджету, а не потому что вы решили остановить

Борис Черный на конференции Meta @Scale 17 июня описал направление так: «Агенты промптят агентов, а те уже пишут код». Сам он, по его словам, больше не промптит Claude вручную: у него крутятся циклы, и его работа состоит в том, чтобы писать эти циклы.

Из каких деталей собирается цикл?

Адди Османи раскладывает loop engineering на пять компонентов, плюс шестой для памяти:

• Schedule (расписание): цикл просыпается по таймеру, например каждые пять минут, и сам ищет работу в репозитории
• Worktrees (рабочие деревья): параллельные агенты работают в изолированных копиях проекта и не мешают друг другу
• Skills (навыки): записанное знание о проекте, которое агент использует без повторных объяснений. Стайнбергер описал конкретную схему: навык-оркестратор плюс навыки триажа (распределения задач по приоритету) и авто-ревью (автоматической проверки)
• MCP-коннекторы (подключения к вашим реальным инструментам: баг-трекерам, базам данных, CI)
• Субагенты: один агент придумывает решение, другой проверяет

Шестая деталь, память на диске, нужна по простой причине: агент забывает контекст между сессиями, а репозиторий (хранилище кода проекта) не забывает.

Реальные циклы: Ralph loop и autoresearch

Каноничный пример минимального цикла, «Ralph loop» Джеффри Хантли: одна строка bash, бесконечный цикл, каждый проход берёт свежий контекст из файла, всё состояние хранится на диске.

Более сложный вариант, autoresearch Андрея Карпатого: скрипт на 630 строк с буквальной директивой LOOP FOREVER внутри. По данным автора, за два дня скрипт прогнал около 650 экспериментов в области машинного обучения. Человек здесь вынесен из внутреннего цикла и перестаёт быть узким местом.

Оба примера показывают одно: loop engineering не требует сложной инфраструктуры на старте. Но теперь даже эту простоту не нужно собирать вручную.

Проверка стоит дороже генерации?

Кристоф Накадзава, автор Athena Crisis, описывает характерный сдвиг: раньше он упирался в написание кода, теперь упирается в проверку, правильный ли код написан. Генерация перестала быть проблемой, цикл может выдавать результат условно бесконечно.

Проверяющий и генерирующий агент должны быть разными. Модель слишком снисходительна к собственной работе. В Claude Code это уже встроено в команду /goal: после каждого хода отдельная быстрая модель (по умолчанию Haiku) проверяет, выполнен ли заданный критерий. Она не вызывает инструменты и судит только по тому, что агент показал в разговоре.

Вы задаёте условие вроде «все тесты зелёные и линтер чист, иначе стоп после 20 ходов» и уходите. Оракул (внешний проверяющий критерий) работает за вас.

Что доступно в России и чем заменить?

Codex от OpenAI и Claude Code от Anthropic напрямую в РФ официально недоступны. Из российских инструментов для работы с кодом через ИИ доступны YandexGPT и GigaChat, но ни один из них пока не предлагает встроенных механизмов loop engineering с расписанием, субагентами и оракулами.

Концепцию loop engineering можно реализовать поверх любой модели самостоятельно: Ralph loop работает в одну строку bash с любым кодинг-агентом, включая локальные открытые модели.

Что делать с этим прямо сейчас, по ролям

Разработчику: попробуйте бытовой фокус из источника: попросите агента сначала написать промпт под вашу задачу, а потом скормите этот промпт ему же. Это минимальный цикл из двух ходов, и часто результат выходит лучше прямой формулировки.

Автору Дзена или копирайтеру: loop engineering пока касается кода, но сам принцип «агент проверяет агента» применим к текстам. Попросите одну модель написать черновик, а вторую (или ту же, но с другим системным промптом) его раскритиковать.

Предпринимателю в РФ: если ваша команда работает с кодом через ИИ, оцените, сколько времени разработчики тратят на ручной промптинг. Переход к циклам может высвободить это время, но потребует инвестиций в проектирование проверки.

Частые вопросы

Нужно ли уметь программировать, чтобы использовать loop engineering?

Для минимального цикла (попросить агента написать промпт, а потом скормить его агенту) программирование не нужно. Для полноценных циклов с расписанием, субагентами и оракулами понадобятся базовые навыки работы с командной строкой и скриптами. Ralph loop, например, это одна строка в терминале.

Чем оракул отличается от обычной просьбы «проверь свой ответ»?

Оракул, это внешний критерий: тесты, линтер, отдельная модель-судья. Когда вы просите модель «проверь свой ответ», она оценивает саму себя и склонна ставить себе зачёт. Оракул работает независимо от генерирующего агента и отвечает только «получилось» или «нет».

Можно ли запустить цикл на российских моделях?

Сам принцип loop engineering не привязан к конкретной модели. Вы можете написать скрипт, который вызывает YandexGPT или GigaChat в цикле, подставляет свежий контекст и проверяет результат внешним критерием. Встроенных продуктовых решений для этого в российских моделях пока нет, но bash-обёртка работает с любым API.

Главный вывод из всей истории с loop engineering укладывается в одну мысль Бориса Черного: ваша работа больше не в том, чтобы писать промпты, а в том, чтобы проектировать циклы, которые пишут промпты за вас, и ставить им чёткие условия остановки.