2026年7月1日，旧金山Moscone West会展中心。
AI Engineer World's Fair开幕日刚刚结束，数千名AI工程师涌向周边场馆和酒会。在Warp主办的一场side event中，一张活动海报上的文案格外扎眼：“Apparently we didn't talk enough about workflows loops yet! See ya there!” Workflows这个词被一道横线划掉，旁边手写着loops。不是排版失误。这是一句宣言。
这场名为“Crafting Software Factories”的对话，请来了三位在AI编程领域最具标志性的人物：OpenClaw的创造者Peter Steinberger（两个月前刚被Sam Altman亲自官宣加入OpenAI），Warp的创始人和CEO Zach Lloyd，以及Google DeepMind的AI开发者关系负责人Paige Bailey。
三个人，三个不同的坐标。Steinberger代表的是AI智能体如何真正“做事”，他的OpenClaw在2026年初病毒式走红，谷歌搜索量一度超过Claude Code和Codex。Zach Lloyd代表的是AI编程的基础设施层，Warp从一款终端产品进化成智能体开发环境（ADE），被超过70万开发者使用，覆盖超过一半的Fortune 500企业。Paige Bailey代表的是模型层，她负责的Google DeepMind团队正在重新定义AI如何嵌入软件开发流程。
但三个人要聊的，是同一个话题：为什么“workflows”这个词已经配不上这个时代了？为什么“loops”才是答案？
这不是一场普通的圆桌。它很可能标志着一个关键拐点：AI编程正从“预设流水线”走向“自反馈循环”。而大多数开发者和公司，还在用上一个时代的思维方式理解AI编程。
为什么是“循环”，不是“工作流”
“Workflow”这个词，骨子里带着工业时代的流水线基因。输入到步骤A到步骤B到步骤C再到输出。每一步是预设的，次序是固定的，异常需要人工介入。
这个模式在传统软件开发中运转了几十年。CI/CD流水线、代码审查流程、部署管道，全部是线性预设的工作流。
但AI编程时代，这个模式崩溃了。
原因简单到令人不安：AI智能体的行为本质上是不可预测的。一个prompt下去，AI可能写10行代码，也可能写1000行。可能一次通过，也可能需要反复修正。预设的步骤序列无法应对这种不确定性。你无法为不可预测的行为预先画好流程图。
Steinberger本人就是最极端的案例。
2026年1月，他在The Pragmatic Engineer播客中披露了一个数字，震动了整个开发者社区：单月提交超过6600次代码。不是团队，他一个人。作为对比，大多数活跃开发者一个月的提交量在200到300次之间。
他的工作方式不是“写代码、提交、审查、合并”的流水线，而是“触发、执行、检查、反馈、修正”的循环。用他的话说：“从提交量看，你可能以为这是一家公司，但这只是一个家伙坐在家里找乐子。”
他在那期播客中说了一句被行业反复咀嚼的话：“我提交我不读的代码。”（I ship code I don't read.）这句话被很多人误解为“AI随便写写就能上线”。真正的含义恰恰相反：他构建的反馈循环足够可靠，让他敢于信任循环的输出。信任的不是AI，而是循环本身。
那么，什么是“循环”？
在AI智能体的语境下，一个循环包含四个阶段：感知（perceive）、决策（decide）、行动（act）、验证（verify）。验证结果反馈回感知阶段，驱动下一次迭代。直到满足终止条件，循环才结束。
这与工作流的本质区别在于：工作流是线性的，步骤之间没有回头路。循环是递归的，每个阶段的结果都可以反馈到起点。工作流预设了路径，而循环动态生成路径，智能体根据当前状态决定下一步做什么。
三位嘉宾的完整拼图
这场对话之所以值得关注，不是因为它会发布什么新产品，而是因为三位嘉宾恰好构成了“循环范式”的完整拼图。
Steinberger：循环的执行层
Steinberger是“一个人运营一家软件工厂”的活案例。他的OpenClaw是一个能自主执行任务的AI智能体，查航班、管理日历、写代码、跑测试，全部在循环中完成。2026年2月，Sam Altman亲自在X上官宣Steinberger加入OpenAI，“推动下一代个人智能体”。Altman的原话是：“他对非常智能的智能体相互交互、为人们做非常有用的事情的未来，有大量令人惊叹的想法。OpenClaw将作为一个开源项目存在于基金会中，OpenAI将继续支持它。”
这句话透露了关键信息：多智能体交互。多个智能体各自运行在自己的循环中，相互触发、相互验证。这不是一个人的单循环，而是一个由循环组成的网络。
Steinberger代表的是循环的执行层：智能体如何在循环中自主完成任务，如何跨循环协作，如何处理循环中的异常。
Zach Lloyd：循环的操作系统
Zach Lloyd领导的Warp团队，正在做的事情可以理解为“为循环时代重写基础设施”。
Warp从一个终端产品起家，但它的轨迹在2025到2026年发生了戏剧性转变。Zach Lloyd在2026年3月的Coding Agents Conference上说了一句激进的话：“在你的笔记本电脑上编码正在死亡。”理由很直接：一旦涉及多个智能体、长时间运行的任务和团队可见性，本地开发环境就不够用了。
2026年5月，Warp发布了Oz平台的重大更新，使其成为第一个多智能体控制平面。它可以在一个统一的界面中同时运行Claude Code、Codex和Warp Agent三个不同的智能体，并统一管理访问控制、治理策略和审计日志。这不是一个工作流引擎，这是一个循环管理系统。
Warp被超过70万开发者和超过一半的Fortune 500企业使用，背后有Sequoia、GV、Sam Altman和Marc Benioff的支持。这个数字说明了一个趋势：当循环的数量超过某个阈值，企业需要的不再是更好的IDE，而是运营软件工厂的基础设施。
Zach Lloyd代表的是循环的基础设施层：在什么环境中运行循环、如何监控循环的状态、如何管理循环的成本和风险。
Paige Bailey：循环的大脑
Paige Bailey的职业生涯横跨了AI开发者工具的几乎所有关键节点：微软的VS Code和Copilot，GitHub的Codespaces，现在是Google DeepMind的AI开发者关系负责人。她曾主导PaLM 2和Gemini的产品管理工作，对AI如何理解开发者的意图有第一手的经验。
在2026年的一次SXSW活动中，Bailey表达了一个被广泛引用的观点。她不再建议她的侄子和侄女把计算机科学作为唯一的职业选择。她认为批判性思维和解决问题的能力，在AI时代可能比编码技能更重要。生成式AI正在民主化软件开发，让开发者可以把精力从写代码的细节中解放出来，专注于创造性工作。
这句话放在“循环”的语境下，意义更加清晰。当循环承担了“写代码、测试、修正”的重复性劳动，开发者的角色从“编码者”变成了“循环的设计者”。开发者不再写每一行代码，而是设计一个系统，让AI在这个系统中通过循环迭代找到正确的答案。
Paige Bailey代表的是循环的智能层：模型如何理解循环的上下文、如何生成高质量的反馈、如何在不同循环之间保持一致性。
“软件工厂”不是比喻，是架构
“Software Factories”这个说法，在2026年有了全新的含义。
传统意义上的“软件工厂”指的是通过标准化流程提高生产效率，像工厂流水线一样。但“循环”范式下，“工厂”的含义完全不同。一条流水线是线性的，一座工厂是网络化的。工厂里有多条流水线并行运转，每条流水线内部有多个循环，循环之间互相通信、互相触发、互相验证。
这就是AI编程正在走向的方向。
Steinberger的OpenClaw展示了一个人如何运营一座“软件工厂”：数百个AI智能体并行工作，每个智能体运行在自己的循环中，有的负责代码生成，有的负责测试，有的负责调试，有的负责部署。Steinberger的角色不是“写代码的人”，而是工厂的运营者。他监控循环状态、调整循环参数、处理异常情况。
Zach Lloyd说得更直白。他在一次访谈中描述Warp内部的工作方式：“我们现在用Warp来构建Warp，很多开发都从prompt开始。”一个超过百万行Rust代码加自定义UI框架的项目，团队的核心工作方式已经变成了“写prompt、启动循环、检查输出、迭代”。
2026年初，Gergely Orosz在LinkedIn上分享了一个值得深思的观察：Steinberger不再使用pull request。他把PR改称为“prompt request”。这不仅仅是换了个幽默的叫法，它揭示了角色转变的本质。当代码由循环生成，代码审查的对象就不再是代码本身，而是触发循环的那个prompt。
循环的“死穴”
循环听起来很美，但实际落地时，大多数循环会失败。
根据2026年行业内的共识，循环失败有四个主要原因。
没有硬停止条件。循环没有明确的终止标准，要么无限运行烧光预算，要么在无关紧要的细节上过度优化。一个没有终止条件的循环，本质上是一个bug。
目标定义模糊。循环的目标不够具体，智能体无法判断什么时候算完成。一个写代码的循环如果没有明确的验收标准，它可能会永远优化下去。
上下文溢出。长时间运行的循环会积累过多上下文，导致模型迷失。Anthropic在构建其多智能体研究系统时发现，每个subagent需要独立的上下文窗口，否则单智能体在大范围搜索任务中效率极低。
成本失控。循环的每次迭代都消耗token，长时间运行的成本可能远超手动完成。Anthropic的研究团队坦诚地公布了这一点：其多智能体研究系统消耗的token量是单智能体的约15倍，但换来的是超过90%的性能提升。在大多数商业场景下，这种成本收益关系需要精心权衡。
这些问题的本质，是把循环当成工作流来管理。用线性的思维管理递归的系统。这正是“循环工程”（Loop Engineering）要解决的核心问题。
谁在定义“循环”的标准
2026年，围绕“循环”的范式竞争已经展开。
Anthropic发布了“构建有效AI智能体”的六种架构蓝图，定义了从单智能体到多智能体编排的多种循环模式。在内部研究中，Anthropic使用Claude Opus 4作为主导智能体、Claude Sonnet 4作为subagent的多智能体系统，在内部研究评测中比单智能体方案性能提升了90.2%。这是目前业界最有系统性的循环分类法。
LangChain的创始人Harrison Chase提出了“循环叠加”理论。复杂任务可以通过多个简单循环的嵌套组合来解决。其中的评估器-优化器模式（Evaluator-Optimizer）就是：一个智能体生成输出，另一个智能体评估质量并提供反馈，循环迭代直到输出合格。
而OpenAI通过Steinberger的加入，正在把OpenClaw的循环模型融入产品。Sam Altman提到的“多智能体交互”图景，暗示了OpenAI正在构建一个多智能体循环网络。个人智能体、代码智能体、数据智能体，各自运行在独立的循环中，通过某种协议相互通信。
这场关于“循环”的标准之争，本质上是一场关于AI编程“操作系统”的争夺。谁定义了循环的触发方式、循环间的通信协议、循环的终止条件和成本模型，谁就定义了AI编程的未来。
对于更广大的开发者和团队来说，这场竞争的结果将直接决定他们的日常开发方式。是用一个工作流引擎来编排AI，还是设计一个循环系统让AI自主迭代。
那一横划掉了什么
回到那场活动海报。Steinberger划掉“workflows”、写下“loops”的那一横，为什么值得整个行业停下来想一想？
因为“workflows”属于上一个时代。那个时代，软件是人工编写的，流程是预设的，异常是例外。而“loops”属于正在到来的时代。这个时代，软件是智能体生成的，流程是动态生成的，异常是常态。
从工作流到循环，不是一个术语的更替。它是一种编程哲学的诞生。不是你告诉AI每一步做什么，而是你设计一个机制，让AI自己找到正确的路径。你的工作不再是写代码，而是设计循环、监控循环、优化循环。
那个被划掉的词，划掉的是一个时代的思维方式。而手写的那个词，写的是下一个时代的入场券。
循环能不能收敛，取决于有没有好的终止条件和评估机制。就像这场对话能否真正改变行业的认知，取决于有多少人理解了“循环”和“工作流”之间那一道被划掉的横线，到底意味着什么。
快报