Snowflake CoCo 中的 Loop Engineering ｜ 技术实践 文章

2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载"《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！我们是如何走到这一步的过去三年使用 AI 编程工具的经历，呈现出一条清晰的演进路径：每一个阶段，都解决了前一个阶段无法解决的问题。Prompt engineering 专注于写出完美的指令。你会不断调整措辞、添加示例、指定输出格式。一次请求对应一次响应。如果输出不对，就重写提示词；Context engineering 解决了仅靠提示词无法克服的局限：模型掌握的信息不够。于是有了 RAG 流水线、文件引用、语义搜索和对话历史。人们逐渐意识到，一个普通的提示词搭配强大的上下文，效果往往优于一个精心打磨却没有上下文的提示词；Harness engineering 将关注点转向了基础设施，包括工具调用、多步骤链路和智能体框架。模型不再只是一个文本生成器，而是成为系统中的行动者，能够执行操作并观察操作结果；Loop Engineering 则是下一阶段。你不再设计一次次独立的交互，而是开始设计能够自主运行的系统，让它持续经历“行动、观察、推理、重复”的循环，直到某个客观目标通过验证。这种差异非常重要。你不再是在设计 AI 要做什么，而是在设计一个系统，让 AI 持续运行，直到工作真正完成。定义循环工程一个循环工程系统需要具备四项结构性要求：循环不会因为模型认为自己已经完成任务而停止。只有当客观检查通过时，它才会停止，例如测试全部通过、代码检查无误、部署成功。这一区别正是循环工程的核心。CoCo 如何支持循环工程CoCo 为每一项支柱都提供了原生基础能力。其架构如下：相关组件包括：一个真实案例：构建股票分析应用我采用这种方法，从一个空目录开始，构建了一个多页面 Streamlit 分析应用。下面是整个过程。定义目标我编写了一份 APP_SPEC.md，其中列出了循环可以通过程序检查的验收标准：## Acceptance Criteria - [ ] Streamlit app runs locally without errors - [ ] Snowflake connection works (queries return data)…

摘要可能不完整，可查看原文