Skip to content
Back/Harness Engineering

Wiring Skills Into Loops

View in Graph
Updated 2026-10-29
4 min read
807 words

Wiring Skills Into Loops

来源:Voxyz (@Voxyz_ai),2026-04-02

核心论点

安装一个 skill 不等于你的 agent 学会了在正确的时间使用它。

真正让 agent 变强的是把 skills 连接成循环(loops) —— 每次运行后产生反馈,反馈自动优化规则,规则再提升下一次的输出质量。

渐进式确定性

Mike Taylor 将同一思想称为 incremental determinism:当任务重复出现时,先把成功会话沉淀为 skill,再把 skill 变成 evals,然后把稳定步骤迁移到 scripts、CLI 或 MCP,最后用真实样本与 eval 指标优化脚本。这个梯子是 sessions → skills → evals → scripts → optimized scripts。

该框架补充了 loop 视角。Loop 解释 skill 如何随反馈变好;渐进式确定性解释何时把一个模糊任务推向更确定、更便宜、更可测试的执行形态。第三次重复出现的任务适合写 skill;高频且可评分的任务适合加 eval;稳定且不需要判断的步骤适合用脚本替代模型调用。

五种 Loop 实践

1. Writing Loop — 让草稿越来越像你的风格

  • Agent 按规则写草稿
  • 人手动编辑
  • 每晚对比 diff(改了什么、删了什么、加了什么)
  • 同类修改积累到 10-15 次,提炼成候选规则写回 skill
  • 6 个月从 v1.0 进化到 v1.3

2. Research Loop — 15 分钟拿到素材包

  • 给 agent 方向,自动搜索 → 按互动数据排序 → 拉取完整原文
  • 不查摘要(会漏关键数据),存完整原文
  • 人花 10 分钟浏览判断

3. Review Loop — 虚拟读者预审

  • 用不同 prompt 模拟不同读者:怀疑者、新手、潜在客户、同行
  • 多个人设并行评审,逐段打分
  • 关键不是绝对分数,而是趋势 —— 哪些段落持续低分
  • 把改进点变成默认检查清单

4. Memory Loop — 三层记忆系统

层级 作用 内容
Log layer 每日工作日志 今天发生了什么、发现了什么
Long-term rules 经多次验证的规则 反复确认的经验
Handoff layer 会话状态快照 每次会话结束保存,下次读入

每晚自动 review:读取当天 log,提取关键发现,标记值得加入长期规则的内容。

5. Ops Loop — 定时任务链

三个 cron job 连成完整 loop:

  1. Heartbeat 发现内容 →
  2. Writing skill 起草 →
  3. 人编辑批准 →
  4. 系统记录 diff →
  5. Nightly review 提炼规律 →
  6. 规则写回 skill →
  7. 下次 Heartbeat 发现类似内容时,草稿质量已提升

三个环的定义

环 作用
Scheduling 定时触发,不用你主动开口
Memory 结果和经验写入文件,下次读入上下文
Feedback 对比本次输出和你的编辑,更新规则

最小启动配置

只需要两件事:

  1. Scheduled triggers — cron 定时任务
  2. Persistent context — 文件读写维持连续性

最小示例:

  • nightly review 任务,每天运行,输出 review 文件
  • morning briefing 任务,读取 review 输出并压缩推送

Key Takeaway

"Template 用一次就停,Loop 每转一圈都更准。"

不是 skills 的数量重要,而是 skills 之间的连接和反馈机制 重要。

Evidence across sources

Source Key Claim Relevance
Voxyz - Wiring Agent Skills Into Loops Skill 的价值来自 scheduling、memory、feedback 三个环,而不是单次模板化调用 定义 loop 机制
Every 2026-04-27 You Are the Most Expensive Model 重复任务应从会话沉淀为 skill,再进入 eval、script 与自动优化层级 定义从模糊会话到确定流程的升级路径

从提示词到循环:Claude Code 负责人的判断(2026-06-07)

来源:AI 简报 2026-06-07

Boris Cherny(Claude Code 负责人)用一句话概括了交互范式的转移:"我不再给 Claude 写提示词了。我运行的是能自己给 Claude 写提示词并决定怎么做的循环。"这与本文的 loop 框架一致,但把 loop 的抽象从工程技巧提升为产品形态——未来用户面对的不再是单次对话,而是持续运行的代理循环。

工程价值因此从 prompt craft 转向:

  • 循环设计(触发条件、终止条件、失败恢复)
  • 错误处理与状态管理
  • 多轮反馈中的信息保留与更新

Steipete:未来不是更好的提示词,而是更好的循环(2026-06-08)

来源:AI 简报 2026-06-08 Morning

Peter Steinberger(@steipete)将这一范式转移表述为对 coding agent 的直接影响:手动给 agent 写提示词已成为任务规模扩大后的瓶颈。设计循环能让 agent 自我提示、迭代并在无需人工干预的情况下恢复。这一转变类似于从命令式基础设施向声明式基础设施的过渡。

Steipete 的 framing 与 Boris Cherny 的判断形成互补:Cherny 强调 loop 作为产品形态,Steipete 强调 loop 作为解决 scaling bottleneck 的工程方案。两者共同指向同一结论——prompt engineering 的边际收益递减,loop engineering 的边际收益上升。

自我改进 skill 的五步法(2026-06-07)

来源:AI 简报 2026-06-07

Peter Yang 提出让 skill 随时间自动改进的五步结构,可视为 Wiring Skills Into Loops 的具体实现:

  1. 示例:给 AI 展示重复任务的高质量输出样例。
  2. 触发描述:用固定句式写 skill 描述——"当用户想要[做某事]时使用"。
  3. Evals:创建 10 条针对常见错误的通过/失败检查。
  4. Memory:创建 memory 文件,记录每次运行后的一句话经验。
  5. Meta-skill:构建一个清理 skill,定期删除重复、过时指令和 AI slop。

这验证了 loop 的三个环在此处的映射:evals 对应 feedback,memory 对应 persistent context,meta-skill 对应 scheduled cleanup。

重复任务模板化:从清单到 skill 的升级路径(2026-06-07)

来源:AI 简报 2026-06-07

Voxyz_ai 提供一个可直接复制的提示词模板,把上周最烦人的重复任务转化为三层输出:今天的 checklist、今天的小脚本、长期的 skill。关键约束包括:

  • 每次运行需要哪些输入(文件、数据、系统)
  • 好结果的具体例子
  • 权威来源与冲突解决规则
  • AI 可直接执行的事项 vs 必须先询问的事项

这体现了渐进式确定性的落地版本:不是一次性写完美 skill,而是从 checklist 开始,经过三次成功重复后再升级为 skill。

关联

2026-09-08:从一次成功的本地工具调用沉淀 skill

来源:Ben's Bites: The first GPT-6 model

Simon Willison 的 Blender 实践展示了一个可复用的 skill loop。先让 coding agent 调用本机 /Applications/Blender.app/Contents/MacOS/Blender 渲染场景,再保存 .blend 文件、Python 脚本、Codex transcript 和输出图像,最后让 Codex 根据已经验证的调用方式创建 Blender Local skill。后续任务可以直接引用该 skill,而不是重新探索 Blender 的调用协议。

Ben 的三版本原型法补充了 loop 的前置阶段:先用有限预算生成三个方向,再选择一个进入收敛和验收。可复用的循环是 sessions → prototypes → accepted direction → skill → repeatable artifact。只有当输入、命令、输出和验收方式都明确时,才适合把一次成功运行固定为 skill。

Counterpoints & Gaps

  • Blender 案例是单个作者在 macOS 上的实践,不能证明所有 coding agent 都能稳定控制 Blender。
  • skill 只记录工具调用,不会自动解决审美判断、错误恢复或资源成本问题。
  • 三版本探索仍需停止条件,否则会把模型尖峰转化为更多无效 token 消耗。

Sources (addendum)

Pending Jean review

2026-09-20 补充:Matt Pocock 的"反馈按钮 → 实现 → 审查"loop(Pragmatic Engineer 访谈)

来源:Matt Pocock on The Pragmatic Engineer

Matt 在自己视频编辑器里放了一个反馈按钮:按下 → 自动生成 GitHub issue → implement agent 立即拾起 → code review agent 按编码标准审查(专门抓 tautological tests)→ 人最后对齐验收。这是"小事 shift-right、事后对齐"原则的具体 loop 形态,与本文"review loop"一节的差别在于入口产品化(用户反馈直接变成工作单元,无人工中转)和审查专职化(review agent 的持续职责是维护测试套件质量,而非单次把关)。

同一访谈里还有两个配套 loop:每日 improve-codebase-architecture skill 生成架构改进提案 → 一键转 tickets 执行(gardener 职能的自动化);早晨 standup agent 读 Slack/Discord 上下文替他排日程(调度 loop)。三个 loop 共享同一骨架:状态在外部系统(issue / map / 日程),skill 只是操作手册,agent 是流水线上的手。参见 matt-pocock-ai-coding-workflow。

Counterpoints & Gaps

  • 三个 loop 均无成功率/返工率数据;review agent 的误报/漏报率未知(他自己也问"how do you know if the automated review agent is doing a good job")。

2026-10-23:Skills 捐赠给 Agentic AI Foundation

来源:AI Briefing 2026-10-23 Evening

Boris Cherny 确认 Anthropic 将 Agent Skills(2025 年 12 月起已被 70+ 平台集成)与 MCP 一起捐赠给 Agentic AI Foundation。Skills 从单一厂商的实验变为行业治理资产,强化「Skills 是长期资产」的判断。

2026-10-29:以完成事件驱动 Codex 任务交接

@realTaki42 的 bot-codex-delegate 将 Grok Bot 作为调度与验收层,让 Codex app-server 常驻执行:后台等待 turn/completed 后唤醒 Bot,按项目复用会话,并支持中途 steer 或 interrupt。tmux 与 watchdog 管理服务状态。这个示例把循环从定时轮询改为“派发 → 完成事件 → 验收或干预”,减少调度 Bot 空转;它仍依赖进程存活、事件送达和恢复流程。

Sources (addendum)

Pending Jean review

Sources

Synthesized from 10 sources

Evolution

1 event
  1. absorbed

    Derived from source material

    This page is currently synthesized from 10 sources.

    From Voxyz - Wiring Agent Skills Into Loops, Every 2026-04-27 You Are the Most Expensive Model, AI 简报 2026-06-08 Morning, 2026-09-08 The first GPT-6 model, 2026-09-20 Matt Pocock AI Skills Pragmatic EngineerTo Wiring Skills Into Loops
    Sources: raw/to-learn/Voxyz - Wiring Agent Skills Into Loops.md · raw/newsletters/Every/2026-04-27 You Are the Most Expensive Model.md · raw/briefing/AI Briefing/2026-06-08-09-45.md · /Users/jean/Documents/Obsidian Vault/raw/newsletters/Ben's Bites/2026-09-08 The first GPT-6 model.md · /Users/jean/Documents/Obsidian Vault/raw/social-triage/2026-09-20 Matt Pocock AI Skills Pragmatic Engineer.md · raw/briefing/AI Briefing/2026-06-07-15-28.md · raw/briefing/AI Briefing/2026-10-23-22-31.md · raw/briefing/AI Briefing/2026-10-29-21-16.md · raw/newsletters/Ben's Bites/2026-09-08 The first GPT-6 model.md · raw/social-triage/2026-09-20 Matt Pocock AI Skills Pragmatic Engineer.md

Linked from