Andrew Ng分享AI agent构建软件的三种循环：编码、开发者反馈、外部反馈。

“循环工程”是一个热门流行词，此前Boris Cherny（Claude Code的创建者）和Peter Steinberger（OpenClaw的创建者）在社交媒体上提到它后迅速走红。循环现在是我们让AI agent长时间迭代构建软件的关键部分。在这封信中，我想分享我构建0到1产品的三个关键循环，如下图所示。这些循环不仅指导我如何构建软件，还指导我决定构建什么软件。

智能编码循环：给定产品规格和一组评估（即用于衡量性能的数据集），我们可以让AI agent编写代码、测试其工作，并不断迭代，直到代码无错误并满足规格。这种闭环的想法在去年年底开始流行，它使编码agent能够在无需人工干预的情况下更长时间地高效工作。例如，上个周末，我在为女儿构建一个练习打字的应用，我的编码agent可以轻松工作大约一小时，使用网页浏览器多次检查它构建的内容，然后再联系我，无需我的干预。

工程循环执行速度很快。每隔几分钟，编码agent可能会构建并测试软件的新版本。我经常听到开发者们找到新方法来设计更有效的工程循环。这是一个活跃的发明领域！

开发者反馈循环：在这个循环中，开发者检查当前产品并引导编码agent改进它。去年，许多开发者（包括我）充当编码agent的QA（质量保证）功能，手动查找错误，然后要求agent修复它们。但随着编码agent越来越能够测试自己的代码，我们需要花在这一功能上的时间大幅减少。这使我们能够做出更高层次的产品决策，例如提供哪些关键功能、哪些UI需要改进等。

开发者反馈循环的时间间隔在几十分钟到几小时之间——这就是开发者审查产品并提供反馈的频率。在打字应用的案例中，我多次改变了关于视觉设计、她学习时可以解锁哪些猫服装（她喜欢猫）以及成年人登录并引导孩子学习体验的用户流程的想法。

当开发者对要构建的内容有清晰愿景时，将这一愿景转化为编码agent可执行的规格仍然需要大量工作。此外，在开发者看到实现后，他们可能会更新（或澄清）规格以引导其走向他们想要的方向。如果你发现系统反复遇到某些问题，为agent构建一组评估会变得有用。

AI原生团队越来越多地使用AI来帮助塑造产品方向，例如自动收集和分析使用数据、总结书面和口头客户反馈或进行竞争分析。然而，对于我参与的所有产品，我认为人类相对于当前AI系统具有显著的上下文优势——我们对用户和产品运行环境的了解比AI系统多得多——因此人类扮演着关键角色。许多人将这种人类贡献描述为“品味”，但我更倾向于将其视为人类拥有上下文优势，因为这为我们帮助AI系统变得更好指明了更清晰的路径。这也说明了为什么这一步无法自动化：只要人类知道AI不知道的事情，就需要人在循环中将该知识注入系统。

外部反馈循环：这包括一系列策略，如向几位朋友征求意见、向alpha测试者发布、或通过A/B测试投入生产。这些策略通常较慢，很少短于几小时，有时