什麼是 Loop？ 最近幾天比較火～

Loop 就是智能體循環（agent loop）：模型不再是「收到一段指令 → 吐出一個結果」就結束，而是進入一個循環體——推理 → 行動 → 觀察結果 → 再推理，直到任務真正完成才退出。圖右邊虛線框裡那個會繞回來的結構，就是 loop。
它本質上是把軟體工程裡早已成熟的做法搬進了 AI：REPL、事件循環、while 循環——都是「反覆執行直到條件滿足」的結構。Loop 只是把「循環體」換成「模型的思考 + 工具呼叫」。
為什麼它能取代提示詞？
關鍵不在「循環」這兩個字，而在於它把複雜度的承載位置從「你的文字」搬到了「系統結構」上。我幫你拆成四層：
1. 從「描述怎麼做」變成「定義做什麼」
提示詞是一種靜態編碼——你必須預先想清楚完成任務的每一步，然後用自然語言寫下來。問題在於：真實任務你根本沒法預先想全。一個投資分析，到底要先查財報還是先看行業？取決於查到什麼。提示詞寫死了路徑，而 loop 讓模型根據每一步的真實回饋決定下一步。你只給目標和能力邊界，路徑是動態生成的。
2. 上下文從「塞進去」變成「長出來」
提示詞的威力取決於你能在上下文視窗裡塞多少資訊——但很多資訊你事先不知道需不需要。Loop 裡，每次工具呼叫、每次觀察都會自動追加到上下文裡。上下文不是你預算好的一次性投入，而是隨著循環動態生長的。模型需要什麼，就去取什麼。
3. 有了除錯能力
單次提示詞沒有「重試」的概念——錯了就是錯了。Loop 是帶回饋的：工具報錯了、搜尋沒找到、數字對不上，模型在下一輪推理裡能發現並修正。這就像從「手寫組合語言」升級到「帶斷點偵錯的高階語言」——前者你得一次寫對，後者你能邊跑邊修。
4. 「怎麼做」被工具固化，「做什麼」留給自然語言
這點最關鍵。傳統提示詞工程把「呼叫哪個 API、按什麼順序、怎麼解析回傳」都用文字描述，歧義極大。Loop 範式裡，這些被做成工具——函式簽名就是精確的、無歧義的介面。模型只需要決定「什麼時候調哪個工具」，而不用靠自然語言猜怎麼調。提示詞的歧義性，被工具的確定性取代了。
一句話的本質
提示詞 = 你把整個執行邏輯壓進一段文字，賭它一次跑對。 Loop = 你定義目標 + 給一套工具 + 讓模型在真實互動裡自己長出執行路徑。
它不是「消滅」了提示詞——系統提示（你是誰、能用什麼、守什麼規矩）依然存在且重要。它消滅的是**「為每個任務寫一份完美指令」這件事**。複雜度從「單條提示詞的長度」轉移到了「系統設計 + 工具集的品質」，而後者是可以工程化、可重複使用、可測試的。
這也是為什麼這一波 AI 應用的重心，正從「提示詞工程」轉向「智能體/系統設計」——當你能把「怎麼做」固化進工具和循環結構，自然語言就只需要表達「做什麼」，而那本就是它最擅長的事。