Agent Loop Architect（循环工程） 是做什么的？
概述
Agent Loop Architect 是一种执行标准和设计模式，用于通过带有持久记忆和状态跟踪的闭环迭代，编排复杂的多阶段智能体工作流。
它将智能体执行从一次性提示或线性流水线转变为强制迭代的生命周期，其中子智能体专门化、通过客观门控验证其工作，并跨运行系统化地学习。
循环的两条黄金法则
- 无学习，不执行： 在提出或实现任何解决方案之前，智能体必须执行学习阶段，查阅记忆中现有的正面和负面模式。
- 无压缩，不完成： 当代码或内容编写完成时，周期并未结束；只有在压缩阶段将结果提炼到记忆并更新状态后，它才结束。
flowchart TD
Start([任务启动]) --> Learn[1. 学习: 读取 .loop-memory/]
Learn --> Plan[2. 规划: 阶段分解与 etapas.json]
Plan --> Exec[3. 执行: 分发专用子智能体]
Exec --> Verify{4. 验证: 客观门控通过?}
Verify -- 否: 回退 / 调整 --> Learn
Verify -- 是 --> Compress[5. 压缩: 蒸馏记忆 & 更新状态]
Compress --> Done([循环完成])
循环的 5 个阶段
每个循环周期严格推进五个阶段：
阶段 1：学习（预检摄入）
- 强制检查： 子智能体必须读取：
.loop-memory/positive-cases/（成功模式、已验证的修复、高转化的文案角度、最优提示模板）。.loop-memory/negative-cases/（反模式、失败的假设、边界情况回退、禁止的方法）。
- 目标： 防止智能体重复先前已记录的错误，并强制重用经过验证的模式。
阶段 2：规划与编排（状态初始化）
- 将目标分解为离散的、有序的阶段。
- 使用阶段状态、分配的子智能体、输入、输出和验收标准初始化或更新
etapas.json。 - 分配与领域需求匹配的专用子智能体角色。
阶段 3：执行（专用子智能体调度）
- 根据阶段依赖关系，顺序或并行运行子智能体。
- 子智能体在隔离的上下文中工作，传递简洁的工件或差异（diff），而不是完整的对话历史。
阶段 4：验证与评估（客观验收门控）
- 根据明确的、自动化的或确定性的标准（例如单元/集成测试结果、代码检查、事实核查引用、语调合规性）验证执行输出。
- 如果验证失败：
- 将失败记录为中间负面模式。
- 带着失败反馈返回学习/规划。
- 如果验证通过：继续执行压缩。
阶段 5：压缩（后检记忆蒸馏）
- 正面蒸馏： 提取成功的确切模式、模板、提示片段或代码修复，并将其写入
.loop-memory/positive-cases/CASE-<ID>.md。 - 负面蒸馏： 将死胡同、被拒绝的假设和回退记录在
.loop-memory/negative-cases/CASE-<ID>.md中。 - 状态最终化： 使用完成时间戳、最终工件和执行指标更新
etapas.json。
目录结构和记忆架构
每个遵循循环模式的项目都应遵循以下根目录或工作区结构：
<项目根目录>/
├── .loop-memory/
│ ├── positive-cases/
│ │ ├── CASE-001-fix-auth-race-condition.md
│ │ └── CASE-002-high-conversion-cold-hook.md
│ └── negative-cases/
│ ├── CASE-001-failed-jwt-in-localstorage.md
│ └── CASE-002-clickbait-hook-bounce.md
├── etapas.json
├── references/
│ └── domain-examples.md
└── SKILL.md
记忆案例模式（.loop-memory/*/CASE-*.md）
每个案例文件必须遵循以下标准化的 Markdown 模板：
# 案例：[简短描述性标题]
- **日期：** YYYY-MM-DD
- **领域：** [工程 | 文案 | 销售 | 研究]
- **类型：** [正面 | 负面]
- **触发条件 / 上下文：** [确切的情况、错误消息或提示目标]
## 模式 / 技术
[详细描述什么有效或为什么失败]
## 具体工件 / 代码片段 / 提示
```[语言]
[在此处粘贴具体片段、模板或差异（diff）]
总结与启发式
- 应做： [对未来智能体的可操作规则]
- 不应做： [必须避免的事项]
### `etapas.json` 模式
`etapas.json` 文件跟踪当前生命周期进展：
```json
{
"project": "agent-loop-project",
"loop_version": "2.0.0",
"updated_at": "2026-11-06T21:00:00Z",
"current_stage": "fix",
"stages": [
{
"id": "reproduce",
"role": "QA 复现子智能体",
"status": "completed",
"input": "错误报告 #402",
"output": "tests/repro_spec.ts",
"memory_consulted": ["CASE-001-fix-auth-race-condition.md"]
},
{
"id": "fix",
"role": "核心修复工程师子智能体",
"status": "in_progress",
"input": "tests/repro_spec.ts",
"output": null,
"memory_consulted": []
}
],
"metrics": {
"total_cycles": 1,
"positive_patterns_harvested": 0,
"negative_patterns_avoided": 1
}
}
集成的领域原型
Agent Loop Architect 包含 4 个经过实战检验的领域流水线。有关每个原型的完整分步说明和提示，请参阅 domain-examples.md。
1. 错误修复与工程
- 流水线：
复现 -> 根因分析 -> 修复 -> 测试 -> 文档 - 学习检查： 读取先前对相关子系统的修复；避免过去的回退。
- 验证门控： 复现测试从 RED 变为 GREEN；无附带测试中断。
- 压缩： 将根因解释和最小修复差异（diff）存储在
.loop-memory/positive-cases/中。
2. 内容与文案
- 流水线：
受众与角度研究 -> 钩子与叙事草稿 -> 评判与语气润色 -> 校对与事实核查 -> 分发打包 - 学习检查： 阅读表现最佳的钩子和禁止使用的流行词/陈词滥调。
- 验证门控： 目标阅读水平、品牌声音评分标准 >= 8.5/10、经过验证的事实主张。
- 压缩： 将高表现的角度和钩子公式提取到记忆中。
3. 销售外展
- 流水线：
ICP 情报 -> 价值假设 -> 个性化序列 -> 异议应对 -> 分发准备 - 学习检查： 查询价值主张的回复率、异议模式和无效假设。
- 验证门控： 具体性检查清单（无通用邮件合并行）、遵守反垃圾邮件指南。
- 压缩： 保存成功的个性化钩子，并将低回复率的角度记录在负面案例中。
4. 研究、财务与法律分析
- 流水线：
发现与来源摄入 -> 事实核查与风险矩阵 -> 定量 / 法律综合 -> 场景压力测试 -> 执行简报 - 学习检查： 摄入先例案例、过去分析中的疏忽以及数据有效性标准。
- 验证门控： 100% 引用来源可追溯；风险矩阵通过压力情景测试。
- 压缩： 保存综合模板、来源可靠性评级和风险评估启发式方法。
子智能体调度指南
在循环内调度子智能体时：
- 角色专业性： 永远不要提示通用智能体。在提示前加上领域角色说明（例如
您是 QA 复现子智能体...）。 - 记忆注入： 始终在初始子智能体提示中提供相关
.loop-memory/案例的路径或摘要。 - 离散交接： 子智能体应通过明确的文件（例如复现脚本、草稿文件、评估量规）进行通信，而不是通过对话历史。
- 自主步骤门控： 在没有可验证的证据（日志、测试输出、验证分数）之前，子智能体不允许将
etapas.json状态推进为"completed"。
常见错误与反模式
| 反模式 | 为什么破坏循环 | 正确做法 |
|---|---|---|
| 跳过学习阶段 | 智能体重蹈覆辙已知错误或使用被拒绝的文案角度。 | 强制将读取 .loop-memory/ 作为每个提示的第 0 步。 |
| 省略压缩阶段 | 会话上下文重置后，经验教训立即丢失。 | 绝不结束任务而不将成功/失败案例蒸馏成文件。 |
| 单体智能体执行 | 单个智能体试图同时进行规划、编码、验证和文档编写，容易混乱。 | 为每个离散阶段调度专门的子智能体。 |
| 软验证（"看起来不错"） | 幻觉溜入生产环境。 | 使用确定性门控：测试套件、代码检查输出、事实引用。 |
| 无界重试循环 | 智能体在无法修复的缺陷上无限循环。 | 将循环重试限制在 3 次迭代之内，然后触发人工升级门控。 |