网页版:整篇 来源:B 站合集 BV1tfLR6LEXE | 上传者 码士集团 | 每讲带分集链接(p=1 … p=22)| 本地源 kb/md/loop-engineering-22讲.md | 【20260617 update - Total 1:55:41 】
主线 Agent 的可靠性不来自「模型更聪明」,来自把一圈一圈的循环当工程项目设计:终止条件、检查者、状态、成本,每一件都能工程化。
ReAct 证明「想—做—看」可行;紧接着 AutoGPT 证明没有终止条件的循环会自己跑飞。「能不能循环」和「循环可不可靠」是两件事,这个区分是后面所有内容的起点。
工具调用标准化,加上基础设施年,agent 从演示变成能跑的东西——但可靠性仍靠人盯。
Ralph Loop 与 Maker-Checker 把可靠性做成机制:一个负责跑,一个负责判;模型、框架、工程实践三方同步推进,Loop 才有工程学。
层次 从下往上读:
| 层 | 内容 | 本辑对应 | 读它的用处在哪 |
|---|---|---|---|
| 概念层 | 三个词分清:Agent Loop / Loop Engineering / Prompt Engineering | P01–P03 | 不被术语绕住 |
| 历史层 | 每个概念为什么出现、什么时候会过时 | P04–P10 | 判断哪些结论会失效 |
| 构建块层 | 一个 Loop 由哪六件拼成 | P12–P17 | 自己搭的时候照单配 |
| 设计层 | 11 个要素、7 大风险、完整案例 | P18–P21 | 动手前的检查表 |
| 延伸 | AI 该怎么学(三块技术栈) | P22 | 定学习方向 |
怎么打开:抖音/B站/视频号链接直接播放;PDF 与论文链接给原文。本主题每条的深蒸馏都在下方正文,整篇网页版见文末。
一、核心概念:先把三个词分清楚(10 条 · 已深蒸馏 10)
| # | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 1 | P01 什么是 Agent Loop | §2.1.1 | —(正文) | 原文 |
| 2 | P02 Agent Loop 的形式化定义 | §2.1.2 | —(正文) | 原文 |
| 3 | P03 什么是 Loop Engineering | §2.1.3 | —(正文) | 原文 |
| 4 | P04 历史演进①:ReAct 理论(2022.10) | §2.1.4 | —(正文) | 原文 |
| 5 | P05 历史演进②:第一次「自动驾驶」(2023.3 AutoGPT) | §2.1.5 | —(正文) | 原文 |
| 6 | P06 历史演进③:工具调用标准化(2024) | §2.1.6 | —(正文) | 原文 |
| 7 | P07 历史演进④:Agent 基础设施年(2025) | §2.1.7 | —(正文) | 原文 |
| 8 | P08 历史演进⑤:Ralph Loop —— Loop Engineering 的雏形 | §2.1.8 | —(正文) | 原文 |
| 9 | P09 历史演进⑥:Maker-Checker —— 可靠性的核心机制 | §2.1.9 | —(正文) | 原文 |
| 10 | P10 历史演进⑦:三方同步推动(2026.6) | §2.1.10 | —(正文) | 原文 |
三、四个 Engineering 各管一层(1 条 · 已深蒸馏 1)
| # | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 11 | P11 从 Prompt Engineering 到 Loop Engineering | §2.2.1 | —(正文) | 原文 |
四、六大构建块:一个 Loop 由什么拼成(6 条 · 已深蒸馏 6)
| # | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 12 | P12 构建块①:自动化调度 | §2.3.1 | —(正文) | 原文 |
| 13 | P13 构建块②:工作树隔离 | §2.3.2 | —(正文) | 原文 |
| 14 | P14 构建块③:Skill | §2.3.3 | —(正文) | 原文 |
| 15 | P15 构建块④:插件连接器 | §2.3.4 | —(正文) | 原文 |
| 16 | P16 构建块⑤:子 Agent 协作 | §2.3.5 | —(正文) | 原文 |
| 17 | P17 构建块⑥:记忆状态(外加一个重要的定性) | §2.3.6 | —(正文) | 原文 |
五、设计·风险·案例:真正动手时会遇到什么(4 条 · 已深蒸馏 4)
| # | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 18 | P18 设计一个 Loop 的 11 个要素 | §2.4.1 | —(正文) | 原文 |
| 19 | P19 运行 Loop 的七大风险 | §2.4.2 | —(正文) | 原文 |
| 20 | P20 开发者的新角色 | §2.4.3 | —(正文) | 原文 |
| 21 | P21 完整案例:合同自动完善 Loop | §2.4.4 | —(正文) | 原文 |
六、AI 学习延伸(1 条 · 已深蒸馏 1)
| # | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 22 | P22 AI 大模型该怎么学(三块技术栈) | §2.5.1 | —(正文) | 原文 |
这 3 讲解决一个前置问题——Agent Loop、Loop Engineering、Prompt Engineering 到底谁管谁。看不懂这一组,后面 19 讲都会混。
时长 5:36 · 看原视频(B站 p=1)
Agent 和普通大模型的分界线,不在「能不能调工具」,而在「谁负责这次调用」。大模型也能用工具,但要人手动把工具结果贴回去;Agent 自己决定调哪个工具、自己看结果、自己判断下一步。早期实现就是一个 while 循环反复调用模型,每次观察输出后判断两件事:直接回答用户,还是继续调工具——以及这次会话要不要结束。
你的 routed_worker 里「提取参数→校验→执行→回执」就是一次被规范化过的 Agent Loop——把模型原本在 while 里自由发散的判断,改成固定路径加门禁。区别在于:原版 Loop 由模型自己决定终止,你的版本由宿主校验决定是否放行。
时长 1:25 · 看原视频(B站 p=2)
把上一讲的口语描述写成四步:① 观察(用户提问 + 当前环境状态)→ ② 思考(调工具还是直接回复)→ ③ 执行(调工具或生成回复,过程中带记忆)→ ④ 检查终止条件(用户已得到想要的结果就终止,否则回到第 ② 步)。实现上,LangChain 早期就是 while 循环,新版改成了 graph 图流——因为图流能把「分支/终止/回退」画出来,不再藏在循环体里。
这条对你的价值是:任何 Loop 的终止条件必须显式写出来。你的 automation 里「跑完 N 条就报完成」「失败三次就报警」就是显式终止条件;而「跑到满意为止」这种,等于没有终止条件。
时长 14:55 · 看原视频(B站 p=3)
本系列的总纲,三层递进讲清演进:大模型只做推理,工具要人手动调;Agent 能自动调多工具、自动推理(ReAct 思想),但局限是「一次对话出一件事」,每次还得人写提示词;Loop Engineering 是自动化运行系统,内部也用 Agent,但人不再每次对话——Agent 自己执行、自己判断结果,循环到满足条件才返回。
它特别强调两种 loop 别混:Agent Loop 是「小循环」(Agent 内部调工具),Loop Engineering 是「大循环」(完成整个工程的多次 Skill 调用、多 Agent 协作)。
退款案例把抽象讲具体了:每天 9 点自动启动 Agent 处理退款,读表→判断已发货/待发货/已签收→按规则分流(已签收扣费、待发货直退、大额转人工)。单 Agent 也能做,但极可能跑偏(幻觉、误判);Loop Engineering 要建的系统,就是让它自动且精准地完成,该退的退、该转人工的放一边,全程无人。
你的 agent-autoloop 就是这个概念的活实例:automation(每天 10:30 跟读、22:45 深蒸馏)是「定时启动 Agent 自动跑」,sync_kb 是「自动验证结果并落库」,全程你只设计、不盯。要补的恰恰是它强调的退出条件——你现在已经有 needs_answer 透传和写门禁,但还缺「连续多少轮没进展就强制停」的硬熔断(这条今天刚补进 cw-review-link)。
时长 3:59 · 看原视频(B站 p=4)
ReAct 论文第一次把「推理(Reasoning)」和「行动(Acting)」合并到一个循环里。在此之前大模型只会推理——给事实能推出结论,但做不到「基于自己行动的结果再推理下一步行动」。ReAct 定义的循环是:思考→行动→观察→再思考→再行动→再观察。今天所有 Agent 框架(LangChain、Claude Agent SDK、OpenAI Agent API、OpenClaw)都建在这上面。当时的局限是:只解决单次推理-行动循环,每次都要人重新发起对话,不是长循环。
ReAct 的「观察」环节就是幻觉的入口——模型自己观察、自己判断,容易看错。你的做法是把观察显式化:模型不直接行动,只产出结构化意图,交由宿主校验执行后回执结果。这是对 ReAct 的工程化约束。
时长 2:57 · 看原视频(B站 p=5)
AutoGPT 和 BabyAGI 第一次尝试让 Agent 全自动跑:AutoGPT 让 GPT-4 自己设目标→执行→再生成新目标→塞回任务链→永远停不下来;BabyAGI 取第一个任务→分析→产生新任务→插入列表→无限循环。结果只爆火一下就凉了。
这是「终止条件缺失」最贵的教训。你现在每条 automation 都带完成判定和失败通知,正是不重蹈覆辙。反过来说:你那个想做的「自己设目标→执行→再生成目标→永远跑」的闭环,如果不配预算上限和熔断,就是 2023 年的 AutoGPT 复刻——这也是我今天给 cw-review-link 加「连续 3 轮无进展就强制回禀」的原因。
时长 3:33 · 看原视频(B站 p=6)
2024 年三件事把「调工具」从提示词技巧变成了工程接口:OpenAI 的 Function calling 与 Anthropic 的 Tool use 把调用封装成函数,按自己的逻辑执行,不用再纠结提示词怎么写;LangChain(Harrison Chase,2024 中下旬)让 Agent 框架成型,不再手写 while;MCP(Anthropic,2024 年 11 月底)定义模型与外部通信的标准协议,类比 USB 接口——换模型不用重写代码,只换底层模型。MCP 很快被全行业接纳,Claude Code / Claude Desktop 都基于它。
「USB 接口」思想正是你 agent-autoloop 的架构原则:lark-cli、wecom-cli、各 skill 都抽象成统一入口,底层换实现不影响上层调用。工具标准化是 Loop Engineering 能工程化落地的地基——没有它,Loop 每换一个工具就要重写一遍。
时长 2:02 · 看原视频(B站 p=7)
2025 是基础设施爆发年:3 月 OpenAI SDK 支持 MCP,4 月阿里/百度/微软/谷歌全部跟进,MCP 成了行业标准;7 月 LangChain 发布 Devient,提出三大能力——subagent 子代理隔离、skill、文件沙箱;9 月 Anthropic 推出 Claude Agent SDK(Claude Code 底层 API),带来上下文管理与压缩、工具执行权限、子 Agent 编排。
Devient 的「子代理隔离 + 沙箱」正是你双 Agent 体系的底层范式:WorkBuddy 与 Codex 各自独立上下文、独立工具、只通过结果回执协作;你给 Codex 任务书里写的「工作目录限 ~/.shared-agent/douyin-va7/,不要改其他文件」就是沙箱思想的朴素落地。
时长 4:24 · 看原视频(B站 p=8)
Ralph Loop 用纯手写 while 循环驱动 Agent,三个月编出一门编程语言。它靠两个机制才没死循环:
一是上下文落盘——每次都把执行结果存文件,下次推理再读,不靠模型自己记忆(记着记着就有幻觉)。二是 Stop Hook——约定一个完成信号字符串(模型输出它就代表做完),同时设迭代次数上限(能力不行到步数就强制跳出)。
它的名言是:Agent 单次执行靠自己的记忆会越来越混乱、越来越不收敛;执行错误没关系,只要每次喂给它的信息能被正确读到,下次自然会朝正确方向走。Ralph Loop 后来被 Claude Code 收编成官方 loop 命令。
「上下文落盘」就是你的 CONTEXT.md / tasks.md 账本模式——不靠模型记忆,靠持久化文件承载状态;「Stop Hook」对应 needs_answer 透传加任务超时/失败通知。这条也是你 c/w 闭环最该抄的:复盘结果必须落盘成工单,而不是留在对话里。
时长 3:08 · 看原视频(B站 p=9)
Maker 负责执行(理解业务后干活),Checker 只看结果不看过程——你把结果交给我,我只判断有没有达成目标,完全不被你的推理过程影响。
为什么必须分离?因为 Agent 自己判断自己做没做完是不行的:它知道自己的链路,不会认为自己错。必须引入无关的第三方监督。Checker 的边界也要卡住:只评判、只提建议,不做任何修改。本质一句话——避免「过度自信地表扬自己的平庸工作」。
这就是你写门禁的架构原型:routed_worker 里模型(Maker)只产出意图,宿主校验层(Checker)独立判断是否放行,两者不共享推理过程。「清理/删除需逐条确认」就是给 Checker 的最终裁决权。Maker-Checker 是你整个体系的命名来源级范式。
时长 1:42 · 看原视频(B站 p=10)
2026 年 6 月初,Loop Engineering 一周内被三方同时推起来:6 月 7 日 Boris Cherny(OpenClaw 创始人,26 年 2 月加入 OpenAI)发长文,说工程师未来是「设计循环」,工程从「开始就行」到「结束 = 结果出来或人工介入」;同日 OpenClaw 创始人在 X 发推,说以后不再 prompt 编码而是设置循环;6 月 9 日 Claude Code 负责人采访,说再也不写 prompt 而是写循环。三方合力,6 月 10-11 日这个词火遍开发者圈。
这解释了你为什么该认真对待它:它不是论文里的空概念,而是 Claude Code / OpenClaw / Codex 这些你已经在用的工具的共同方向。你跟着工具走,就等于跟着这条路线走。
只 1 讲,但它是全局地图。看完这讲你才知道 Loop 站在哪一层、底下垫着什么。
时长 11:45 · 看原视频(B站 p=11)
把四个词各归其位:
Prompt Engineering 让 AI 理解你的问题(角色、输出格式、任务);Context Engineering 让 AI 知道有什么(对话过程、目标、现有代码,管记忆和状态);Harness Engineering 让 AI 安全运行(沙箱、工具、子代理、skill,是架构思想,Devient 是它的落地);Loop Engineering 让 AI 持续完成目标(发现目标→执行→检查修正→返回→搞不定抛给人)。
一句话概括:Loop 是入口,Harness 是底座。
它还给了 Loop 今天才成熟的三个条件:① Agent 能稳定调用外部工具(MCP);② 运行成本不破产(自动上下文压缩 + 模型变便宜);③ 有独立验证的 Agent 不被忽悠(Maker-Checker)。三个条件缺一个,Loop 就跑不起来。
你的 agent-autoloop 四层齐备:任务意图(Prompt)、tasks.md + CONTEXT.md 账本(Context)、lark-cli / wecom-cli 工具与写门禁(Harness)、automation 定时自主运行(Loop)。「Loop 是入口、Harness 是底座」精准描述了你现在做的事——automation 是入口,routed_worker 加工具链是底座。哪一层弱,整个 Loop 就在那一层断。
P12 到 P17 共 6 讲,是 Loop 的零件清单。有人把它叫「五大构建块」,但实际讲的是 6 个(第 6 个「记忆状态」常被漏),这里按 6 个算。
时长 1:41 · 看原视频(B站 p=12)
让 Agent 定时做、人不用参与、自己循环。三种触发方式可以任意组合:定时触发(每天 9 点检查退款)、事件触发(外部事件回调,比如目录里出现新文件)、目标驱动(运行到满足完成条件为止)。组合的例子:「监控目录→有合同就用 Agent 处理→处理完输出」= 定时触发 + 目标驱动。
你的 automation(10:30 跟读、22:45 深蒸馏、23:15 B站深蒸馏)是定时触发;collect_updates 的「有新作品才通知」是事件触发;「跑完 30 条就报全量完成」是目标驱动。三种你已全在用,剩下的是把它们组合得更省——比如「有新作品才跑深蒸馏」就是事件触发替代纯定时。
时长 0:36 · 看原视频(B站 p=13)
Maker 与 Checker 之间(可能是两个甚至多个 Agent)环境必须隔离,互不污染。Claude Code 用 work tree 隔离(Claude SDK),Devient 用沙箱或文件状态后端隔离。短短 36 秒,但它是 Maker-Checker 能成立的前提——不隔离,Checker 会被 Maker 的中间产物污染,判断就失真了。
你给 Codex 任务书里「工作目录限 ~/.shared-agent/douyin-va7/,不要改其他文件」就是环境隔离的朴素实现;WorkBuddy 与 Codex 各自独立上下文、只靠结果回执协作,正是隔离原则。可加强的一点:让 Checker 读的是「产物副本」而不是 Maker 的工作目录。
时长 0:21 · 看原视频(B站 p=14)
Skill 是可复用的重复能力,在 Agent 定位里指定即可。关键是渐进式披露:不用时只告诉 Agent「这个 skill 干什么事」,真正用到时才加载详细步骤内容,这样能大幅节省上下文。
你 WorkBuddy 里各 skill(workbuddy-docx、tencent-pptx 等)就是这个加载方式——skill 名只暴露一句话能力,真正执行时才展开完整指令。它和 VA7《skill 版本管理》那条互证:skill 是 0→80 分的能力底座,而 skill 本身会退化,需要版本管理。
时长 0:59 · 看原视频(B站 p=15)
完成复杂工程必须调用非常多工具,否则根本做不完。MCP 的价值在于:普通 Python 函数加一个装饰器就变成 Agent 可识别的工具,接入成本极低。
lark-cli / wecom-cli / AudioTranscribe / 各 MCP 工具就是你的连接器层。工具越标准化,loop 越容易编排——这正是你在 calendar_actions.py / routed_worker.py 里做工具封装的价值。反过来说:每次你为了一个任务临时写一次性脚本,都是在给 Loop 的编排增加摩擦力。
时长 1:17 · 看原视频(B站 p=16)
就是 Maker-Checker 的工程化:一个 Agent 管理另一个 Agent(干活),上下文隔离;另一个负责检查,也隔离。做完了交结果,检查方根据目标评判、反馈还欠缺什么,主 Agent 调度判断是否完成。硬性要求三条——权限隔离、上下文独立、客观评估标准。
你的 PLM 双 Agent 写桥接正是实例:codex 是 Maker(专用适配器执行),WorkBuddy 是 Checker(只读、不执行写),权限隔离加结果回执。这条把「为什么 PLM 里 WorkBuddy 永远只读」的原理讲透了——不是权限没开,是设计上就不该给。
时长 3:14 · 看原视频(B站 p=17)
每次做的事必须记住。框架已经把记忆分层做成熟了:当前会话记忆、短期记忆(store 管理)、长期记忆(checkpointer 管理),不用手动一层层敲。结论是 DeepAgent 已经满足「五大构建块 + 记忆状态」,做 Loop Engineering 基于它就行。
这一讲还有个容易被忽略的重要定性:Loop Engineering 不是新的颠覆性框架——不像 harness / context engineering 那样带来框架级颠覆。它只是「基于现有成熟框架,现在可以做这件事了」。
「记忆状态」= 你的 tasks.md(长期)+ CONTEXT.md(会话状态)+ outbox(结果留痕)三层账本。这条也提醒你别把它神化:它就是 harness 底座之上的入口编排,你的 agent-autoloop 已经踩在这条路上。缺的不是框架,是把「发现任务→执行→验证→退出」做成显式循环。
这一组最实用。P18 是设计清单,P19 是踩坑清单,P21 是一个完整跑起来的案例。
时长 2:20 · 看原视频(B站 p=18)
清单式的一讲,可以直接当模板用:① 目标(干什么事,非常明确);② 运行时机(一天 / 10 分钟 / 1 分钟);③ 任务内容(完成这件事要干什么活);④ 工作空间隔离(多 Agent 之间);⑤ 上下文(别丢,靠它理解做到哪儿);⑥ 子 Agent 委托(检查的不做事、做事的不检查);⑦ 验证(最终怎么判断做完);⑧ 状态 State;⑨ 预算 budget(防死循环烧 token);⑩ token 上限 + 运行时长(达阈值就停);⑪ 升级(搞不定怎么通知人)+ 退出后日志保存。
归纳起来就是三件事:目标明确、防死循环(预算/上限/退出)、留痕可追溯。
这 11 项就是你的 agent-autoloop 任务书模板的完整版:目标(任务意图)、运行时机(automation rrule)、隔离(工作目录)、上下文(tasks.md)、子 Agent(PLM 桥接)、验证(回执校验)、升级(needs_answer + 失败通知)、日志(outbox 留痕)——逐条对得上。对照着看,你唯一缺的是第 ⑨ 项「预算」,也就是每个 Loop 的 token/轮次成本上限。
时长 2:58 · 看原视频(B站 p=19)
① 无限循环;② 目标漂移(需求不明确跑偏);③ 上下文溢出;④ 静默失败——maker 做的 checker 看不到、checker 说的 maker 得不到,都在跑但零产出;⑤ 认知投降(丢给 AI 做、看都不看就 yes,长期不了解它做的事);⑥ 理解负债(改 bug 时看不懂代码);⑦ token 成本爆炸。
解法两条:设边界(token 阈值 / 迭代次数上限)+ 建监控(直观看到哪个 Agent 在 loop、消耗多少 token)。讲者预测下半年必然出现 Loop 监控框架。
「静默失败」是你最该防的坑——它对应的正是「automation 显示成功但啥也没干」。你之前踩过:午报定时任务被调度器 skip,无人知晓;DSA 抓了三条却报八条。防法是每条 automation 带回执校验 + 失败通知,而不是只看进程退出码。「认知投降」这条更值得记:蒸馏笔记如果全是 AI 写的、你没看过,那它对你的价值等于零。
时长 1:06 · 看原视频(B站 p=20)
Loop 时代开发者做四件事:① 开发工具、写业务逻辑(实实在在要代码功底);② 写 skill / 提示词;③ 训练系统(不断调整提示词、skill、修正条件、边界);④ 验证产出(及时 review,不大放手让 AI 全做,否则认知负债)。结论:Loop 不消灭开发者,只是把工作重心从「写业务」移到「造 Loop」,代码功底仍然必需。
你在做的正是这个新角色:calendar_actions.py / routed_worker.py(开发工具)、automation prompt 与 kb-docs.json(调提示词)、单测矩阵(训练/验证系统)、深蒸馏笔记 review(验证产出)。这四条你都有,缺的只是把它当成一个明确的角色来经营。
时长 20:58 · 看原视频(B站 p=21)
本系列最长的一讲,把前面所有零件拼成一个能跑的系统。
业务:监控一个目录→有合同就让 Agent 循环完善→完成放 complete,没完成放「发送给人类检查」目录。
实现:一个类(scan 扫描 + 单轮执行),run_loop 每 10 秒监控目录;每个合同最多循环 10 轮,没结果自动上报人类终止。主 Agent 负责调度,指定工具 + 两个子 Agent(editor 编辑、reviewer 检查)+ skill + 沙箱后端 + 记忆 + 系统提示词。editor 只有编写工具,reviewer 只有读取权限、无操作权限——标准 Maker-Checker。
两个关键结论:循环控制(10 次上限)可以写在 skill / 提示词里让大模型自主判断,不一定要写代码控制;未来开发者做的是写 skill、写工具、按业务逻辑开发子 Agent,不是写底层循环——底层可以放到 Claude Code / Codex / Hermes 这类已有 harness 思想的 Agent 上。
这个案例是你 automation 的完整镜像:监控目录(定时触发)、editor/reviewer 分离(模型产出 vs 宿主校验)、10 轮上限(任务超时)、上报人类(企微失败通知)、两个目录(结果分流)。你已经在这条路上,值得抄的是「结果分流」这个动作——你现在失败任务只发通知,没有沉淀成待处理清单。
最后 1 讲换了话题:如果你要补 AI 能力,该学哪一层。
时长 24:45 · 看原视频(B站 p=22)
把大模型相关能力分三块:
工具类(基础)——Claude Code / Cursor / Codex + 低代码(扣子、Dify、n8n),一上手就会; 应用开发类(核心)——Python + LangChain/LangGraph,做 Agent / RAG、模型私有化部署、MCP 工具、上下文状态管理、多 Agent、harness、skill,90% 的公司用这一层; 算法微调类(进阶)——用自有数据微调/训练/蒸馏行业大模型,面试问得越来越多。
路径建议:小白纯大模型方向约 3 个月;有技术经验就走「现有技术 + 大模型」,重点攻应用开发(每天 3 小时约 1 个月零 1 周),算法再加 3 周。还有一个判断——技术宽度 > 深度,初中级岗位在缩减,要「什么都会一点」。
「应用开发类」正是你现在深耕的层:你不需要微调模型,而是在 Claude Code / WorkBuddy + MCP / lark-cli 之上做 Agent 编排(三路派发、写桥接、automation)。这印证了你的定位——你不是在追算法,而是在做 harness + loop 的工程落地,也就是视频里说的 FDE(前沿部署工程师)方向。
整理说明:本页是 22 讲深蒸馏笔记的中文精读版,每讲四段固定结构——「这篇在讲什么」讲清原文核心,「关键概念」拆开硬词,「对你的实际应用」映射到你本机的 agent-autoloop 体系。原始笔记(1.3 万字含转写稿索引)在 ~/.shared-agent/bilibili-loop/distilled/,原始音频 1 小时 55 分在同目录。
原视频:B站 @码士集团 BV1tfLR6LEXE,共 22 P,每讲链接已单独标注。
| 这套内容里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| Maker-Checker(一个跑一个判) | 我做方案、你审,或 Codex 写、我审 | 固定成两条链,别让同一个模型自审 |
| 终止条件是最易被省掉的一步 | report-guard.py 的兜底巡检 | 巡检要有明确终态,否则会无限补发 |
| 工作树隔离(git worktree) | 想试新脚本又怕改坏现有 | 开工作树跑实验,主分支不动 |
| 子 Agent 协作 | WorkBuddy + Codex 分工 | 按「规划/执行/审阅」三角分,不平行抢活 |
| 记忆状态(外加重要定性) | tasks.md、block-state.json、cron-state.json | 中间态要落盘,不能只在对话里 |
| 七大风险 | 手动改脚本前的自检 | 对照风险清单问一遍再动手 |
22 讲全部完成(录像/原文逐讲精读)。后续只在新版本发布时补更。