Что такое loop engineering и чем он отличается от промт-инжиниринга
Промт управляет одним запуском модели, но не решает, что делать после результата: как проверить ответ, исправить ошибку, сформулировать следующий шаг и вовремя остановиться.
Пока эти решения принимает человек, он управляет внешним циклом. Loop engineering переносит эту работу в программную систему.
Промт управляет одним запуском
Промт задаёт цель, контекст, ограничения, данные и формат результата. Подробнее эта логика разобрана в статье «Анатомия промта».
Но даже хороший промт не определяет, кто проверит результат, сколько попыток разрешено и когда подключать человека. Для этого нужен управляющий контур вокруг модели.
Внутренний цикл: модель, инструмент и результат
Работу ИИ-агента можно упростить до цикла:
while задача не завершена:
модель выбирает действие
система вызывает инструмент
результат возвращается моделиМодель → инструмент → результат → модель
Инструментом может быть API, терминал, поиск или CRM. Модель получает результат и выбирает следующий шаг.
Сама идея не новая. Подход ReAct ещё в 2022 году описывал чередование рассуждений модели, действий и обратной связи от среды. Реализации различаются, но базовая логика часто похожа.
Новизна не во внутреннем цикле, а в том, кто управляет циклом вокруг него.
Человек хранит цель и контекст проекта, отслеживает отклонения, выбирает следующий шаг и решает, когда работа закончена.
То есть пользователь не просто пишет промты. Он вручную выполняет роль управляющей системы.
Что такое loop engineering
Loop engineering — проектирование внешнего управляющего цикла: запусков агента, состояния задачи, проверок, ограничений и условий завершения.
Система может запускать агента по событию, хранить состояние, передавать результаты предыдущего шага, запускать проверки и продолжать работу без нового запроса человека.
| Подход | Объект управления | Следующий шаг задаёт |
| Промт-инжиниринг | Один запуск | Человек |
| Внутренний agent loop | Действия и инструменты | Модель |
| Loop engineering | Весь процесс | Управляющая система |
Термин пока не стал устоявшимся стандартом, но описывает переход от настройки ответа к проектированию всей последовательности работы.
Пример: агент исправляет упавшие тесты
При ручном подходе разработчик получает ошибку из CI, передаёт её агенту, читает исправление и снова запускает тесты. Новая ошибка снова проходит через разработчика.
При автоматизированном цикле система получает событие о падении теста, запускает агента, создаёт отдельную ветку, применяет исправление и повторно запускает тесты.
Цикл продолжается, пока тесты не пройдут или не будет достигнут лимит попыток. Затем результат проверяет отдельный ревьюер, а система создаёт pull request либо передаёт задачу человеку.
Внутренний цикл управляет действиями модели. Внешний — всей работой до проверяемого результата.
Какие функции человека нужно встроить в систему
Убрать человека из каждого шага недостаточно. Его контрольные функции придётся реализовать программно.
- Хранить состояние. Система должна помнить цель, текущий этап, действия и результаты.
- Независимо проверять результат. Сообщение модели «готово» не считается условием остановки. Нужен внешний критерий: тесты прошли, файл соответствует схеме, API вернул нужный статус.
- Ограничивать цикл. Нужны лимиты по числу шагов, времени, токенам и стоимости. Иначе агент может долго исправлять последствия собственных исправлений. Технически работа идёт. Практически бюджет тоже куда-то идёт.
- Управлять правами. Нужно определить, что агент может читать и изменять, какие действия требуют подтверждения, как откатить ошибку и где хранится журнал операций.
Полная автономность не обязательна. Часто безопаснее требовать подтверждение перед удалением данных, оплатой или изменением рабочей системы. Подробнее — в статье об AI-агентах в бизнесе.
Что ломается в длинных циклах
Чем длиннее цикл, тем больше контекст. Модели снова передают инструкции, историю, результаты инструментов и состояние. Запросы дорожают, а важные данные теряются в шуме.
Поэтому старые шаги сжимают до сводки, большие результаты переносят в файлы, а крупную задачу делят на отдельные запуски. Экономика разобрана в материале о стоимости токенов в API.
Вторая проблема — накопление ошибок: неверная предпосылка переходит из одного шага в другой.
Третья — потеря прозрачности: человек хуже понимает, почему система пришла к результату. Ответственность остаётся у владельца системы.
Где loop engineering имеет смысл
Loop engineering лучше всего работает там, где результат каждого шага можно проверить автоматически, а ошибку — отменить или изолировать.
Например:
- агент исправляет код в отдельной ветке и повторяет работу, пока тесты не пройдут;
- система обрабатывает счета и акты, а затем проверяет обязательные поля, суммы и формат документа;
- агент сверяет данные из CRM и бухгалтерской системы, формирует список расхождений и передаёт его сотруднику;
- система собирает отчёт из нескольких источников и проверяет, что все разделы заполнены, а итоговые значения сходятся;
- агент классифицирует обращения клиентов и создаёт задачи в CRM, но не отправляет ответ без проверки;
- система проверяет доступность сайта, анализирует журнал ошибок и создаёт задачу разработчику при обнаружении сбоя;
- агент обновляет карточки товаров через API, но только в тестовой среде или в пределах заранее разрешённых полей.
Во всех этих сценариях есть понятный критерий завершения: тесты прошли, документ соответствует схеме, данные совпали, отчёт сформирован, задача создана.
Гораздо опаснее применять автономный цикл там, где результат нельзя проверить однозначно или действие сложно отменить. Например, при оплате счетов, удалении данных, публикации юридических документов, изменении цен, отправке коммерческих предложений или принятии кадровых решений.
Здесь агент может подготовить действие, собрать данные и провести предварительную проверку, но окончательное решение должен подтвердить человек.
Простое правило: чем выше цена ошибки и чем сложнее проверить результат автоматически, тем меньше автономности нужно давать агенту.
Заменит ли loop engineering промт-инжиниринг
Нет. Промт-инжиниринг остаётся базовым навыком работы с ИИ.
Человек всё равно должен уметь поставить задачу, передать контекст, задать ограничения и описать ожидаемый результат. Без этого плохо работает и один запрос, и длинный автономный цикл.
Но в бизнес-процессах, где агент выполняет много последовательных действий, одного умения писать промты уже недостаточно. Нужно понимать, как устроить весь цикл: когда запускать агента, какие данные передавать, как проверять результат, сколько попыток разрешить и в какой момент подключать человека.
Поэтому loop engineering постепенно становится вторым базовым навыком для работы с ИИ в автоматизированных процессах.
Промт-инжиниринг отвечает за качество отдельного шага. Loop engineering — за надёжность всей последовательности.
