Agent in Loop Methodology
Elvis 提出的工程问题解决方法论：任何工程问题都可以通过"在循环中投放具有正确 harness 的 agent"来解决。
核心理念
不是让 AI 去适应你的工作流，而是给 AI 提供正确的 harness 和完整上下文，让它在受控的循环中自主运行。
关键实践
1. 提供完整的调试环境
- 让 agent 能够像团队真实开发者一样访问所有必要资源
- 不仅给问题描述，而是给完整的项目上下文
2. 创建专用命令行工具
- 为常见调试任务创建专用 CLI 工具
- 处理日志、文档、API 输出的格式化
- MCP 连接器的局限：Slack、Linear、Sentry 等 MCP 解决的是"能不能访问"，但原始数据往往太大太杂
3. 让 agent 在 loop 中自主运行
- 减少人工干预的频率
- 只在关键节点进行检查和确认
案例
Codex 在获得完整的调试环境后，一次性解决了 turbo cache 问题（one-shot fix）。
与相关概念的关系
- Skills into Loops：把 skills 连接成反馈循环
- Three Scaling Dimensions：时间维度的扩展
- Prompting as Skill：给 agent 正确指令的艺术
应用建议
- 梳理当前工作中重复性高的调试任务
- 为这些任务创建专用的 CLI 工具
- 设计让 agent 自主运行的检查点机制
Sources
- AI Briefing/2026-04-11
- https://x.com/elvissun/status/2042633997080224034