黃仁勳說必學的「迴圈工程」Loop Engineering是什麼？

這種「單次對話」模式應付一次性任務還行，但需要AI代理自主完成多步驟工作（例如研究主題、寫報告、發布更新、檢查結果、在沒有人類干預下進行迭代）時就會很沒效率。

舉例來說，如果要打造「客戶研究」工作流，你可能需要AI代理執行以下步驟：

1. 從多個管道爬數據
2. 做摘要
3. 標記異常值
4. 格式化報告
5. 傳到Slack
6. 檢查有沒有人回覆

這中間包括6個以上不同步驟，若沒有完全自動化，你每一步都要手動觸發。

在這個背景下，迴圈工程誕生，透過 /loop（迴圈）、/goal（目標）和 /routines（常規程序）等結構，讓AI代理不需要人類在每個步驟手動輸入提示詞，也能持續工作，徹底改變自主AI代理能做到的任務範圍。

黃仁勳怎麼說？

黃仁勳提到，未來的AI方向是「少一點猜測，多一點研究」。

他解釋，現在AI系統已經能夠用網路搜尋並回傳「兩到三種不同版本」的資訊，接著自主評估哪一個版本最接近事實。

廣告

這就是迴圈在實務中的運作方式。AI不只會被動回應，更會主動搜尋、對比、評估、精煉內容。

另一個例子，是AI系統接收到提示詞後主動閱讀大量文獻、追蹤引用來源、沉浸並理解主題脈絡，隨後透過推理想出解決問題的方法。

這正是迴圈工程可能比提示工程更重要的原因。黃仁勳認為，一個聰明的提示詞頂多能改善一次回覆品質，但一個設計精良的迴圈可以讓整個工作流徹底進化。

迴圈工程的架構是什麼？

多數迴圈工程的實做主要圍繞以下三個核心結構：

1.    /loop迴圈

告訴AI代理重複執行某個特定的動作序列。它可以是有限次數的（運行N 次），也可以是條件式的（運行到某個條件成立為止）。

2.    /goal目標

替迴圈定義終止條件與前進方向。沒有目標，迴圈代理就會無限期運行或隨機終止。

3.    /routines常規程序

這是AI代理在迴圈中可以隨時調用的模組化、可複寫的動作序列，可以看做是副程式（Subroutines）。

廣告

/loop怎麼運作？

迴圈會建立一個重複執行的循環機制。最基本的流程如下：

AI代理接收輸入，或觀察目前的狀態。
AI代理執行某個動作。
AI代理 評估是否應該繼續迴圈。
如果答案為「是」，則帶著更新後的上下文回到第一步。

它與一般程式中的 for loop 最大差別在於，AI代理的推理能力可能會讓第二步在每一次迭代時都變得不一樣。換句話說，它不只是重複執行同一個動作。它能夠根據上一輪發生的結果，決定下一步該做什麼。

舉例來說，一個監控網站的AI代理可能會設定成每小時執行一次迴圈，用來檢查競爭對手的價格頁面是否有變動。

在每一次迴圈中，它都會把目前頁面狀態與先前儲存的基準版本進行比較。如果沒有任何變化，它什麼事都不做。如果有變化，它就會啟動通知流程。

/goal怎麼運作？

目標賦予迴圈終止的條件和前進的方向。一個優秀的目標定義通常包含：

廣告

成功狀態：怎樣才算完成？（例如「報告已提交，確認送達」）

限制條件：代理必須遵守的邊界（例如「不可以發超過3封電郵」）

優先訊號：需要做取捨時，什麼事情最重要。

目標的定義不需要很複雜，像是「持續執行直到處理完50個潛在客戶資料並記錄到Airtable中」就夠具體了。模糊的目標（像是「做個厲害的研究」）往往會導致AI代理出現不可預測的行為。

有些架構會進一步區分終極目標與工具性目標，這種做法比較接近人類的規劃方式。

/routines怎麼運作？

routines是代理在迴圈內使用的基本組件，是一系列模組化、可重複使用的動作流程，當特定條件或情境出現時，AI代理就可以呼叫對應的routine來執行。

常見的routine包括：

Data Fetch Routine（資料擷取）：從資料庫取得最新紀錄，進行格式整理，然後存入工作記憶。

Summarize Routine（摘要）：接收一段文字內容，產生摘要，評估摘要品質。如果品質低於設定門檻，則重新生成。

廣告

Escalation Routine（升級處理）：如果某項任務超過AI代理的信心門檻（Confidence Threshold），就標記成需要人工審核，並暫停該分支迴圈的後續執行。

Notification Routine（常式）：整理目前狀態資訊，並透過Slack或電郵發送通知訊息。

routine讓你可以方便地管理迴圈，做到個別測試每個功能模組、獨立除錯、重複利用既有能力、自由組合出更複雜的代理行為。

迴圈工程實際上怎麼運作？

當 /loop、/goal 與 /routines 組合在一起時，就形成所謂Agentic Loop（代理式循環），在這個能自主驅動的循環機制裡，AI代理會持續觀察、推理、執行、評估，並不斷重複這個過程，直到目標達成為止。

這個循環的簡化版本如下：

Observe（觀察）——目前的狀態是什麼？（檢查輸入、讀取記憶、取得資料）
Reason（推理）——根據目標與目前狀態，下一步應該做什麼？
Act（執行）——執行適當的routine。
Evaluate（評估）——剛剛的行動是否讓系統更接近目標？目前的新狀態又是什麼？
Loop or Terminate（繼續循環或結束）——目標是否已經達成？如果沒有，就回到第一步。

哪些任務適合迴圈工程？

適合使用的場景：

任務具備多步驟、充滿條件變數：下一步該做什麼，完全取決於上一步的結果。
完成時間無法預測：例如背景資料搜集、持續性的市場監控、需要反覆修改的內容。
人類審查成為效率瓶頸：用明確的目標與信任門檻取代重複的人工點擊，解放人力。
排程週期性任務：定期喚醒、執行、休眠的監控或報表工作。

應該避免的場景：

任務只有明確單一步驟：只是單純轉換一段文字或生成單一文件，引入迴圈只會增加無謂的複雜度。
每一步都需要人類百分之百判斷：流程無法放手讓AI推理（雖然可以設計暫停機制，但會大幅增加複雜度）。
目標模糊不清： 如果你無法具體定義怎樣算做完，AI就會變成失控的API額度殺手。

自主工作流中的四大常見迴圈

輪詢迴圈（Polling Loops）：AI代理按時間（如每30分鐘）喚醒，檢查數據源，只有發現新數據時才觸發特定行動（例如檢查CRM中的新潛在客戶，豐富數據）。

精煉迴圈（Refinement Loops）：AI代理生成內容（如行銷文案），根據品質標準自行評分，分數未達標就重寫，直到過關或達到最大嘗試次數為止。

隊列處理迴圈（Processing Queue Loops）：AI代理面對一個任務清單（如客服工單庫），一件接一件地處理、記錄結果，直到清單清空為止。

事件回應迴圈（Event-Response Loops）：AI代理持續監聽外部訊號（如電子郵件、Webhook），一旦有事件進來就立即執行回應程序，隨後回到監聽狀態。

打造迴圈流程的小訣竅

先定義退出條件：在設計任何工作流節點前，先明確寫下「在什麼具體條件下，這個迴圈必須停止」。

設定硬性限制：務必設定最大循環次數或最長運行時間，防止代理因陷入死迴圈刷爆你的API額度。

把一切記到日誌裡：讓AI代理在每次循環中記錄狀態、行動與結果，否則無聲運行的迴圈一旦出錯會完全無法偵錯。

從小規模開始：先從最簡單的「觀察→行動」兩步迴圈開始，穩定後再加入精煉邏輯與模組化程序。

獨立測試你的routines：把它們串進迴圈之前，確保每個獨立routine（如摘要routine）本身可以完美運作。如果rountine本身的輸出品質很差，再完美的迴圈工程也救不回來。

（資料來源：NDTV、MindStudio）