Loop Engineering 是起点，Growth Systems 才是终点

核心摘要

2026 年 6 月，开发者命名了 Loop Engineering——设计系统替 AI 下指令、验证结果、迭代到目标达成。这是真实的转变。但它是不完整的。一个迭代「测试通过」的循环，和一个迭代「营收增长」的系统，架构上是不同的东西。本文提出 AI 系统的四个层级——并论证第四层 Growth Systems，才是价值真正积累的地方。

六月初，一群人开始说同一句话

一群做 AI coding agent 的工程师，几天内不约而同讲了同一件事：

「我不再 prompt Claude 了。我有循环在替我 prompt Claude。」 —— Boris Cherny，Anthropic Claude Code 负责人。

「别再 prompt 你的 coding agent 了。你应该设计循环来替你 prompt。」 —— Peter Steinberger。

第二天 Addy Osmani 把它正式化：Loop Engineering 就是把「你自己」从逐条下指令的位置上替换掉，设计一个系统来做这件事。

代码圈先给它起了名字。这个概念确实重要。但有一个更高的层级，还没有人在谈。

Prompt 的天花板

今天大多数 AI 工作流实际上长这样：

你提问。AI 给建议。你自己动手。明天再来问一遍——从头开始，因为系统什么都不记得。

AI 不记得它昨天建议了什么。没法检查上次建议是否有效。碰不到你的广告账户、你的数据、你的素材流程。你关了页面，它就停了。

Prompt 告诉 AI 怎么想。但没告诉它下一步该做什么。

这就是天花板。不是智能不够——是不连续。不是洞察不够——是不行动。

AI 系统的四个层级

AI 系统的四个层级：Prompt（静态、单次）→ Agent（带工具但会话绑定）→ Loop（迭代、有记忆）→ Growth（可积累、接上营收）

不是所有 AI 产品都一样。差别不在能力，在架构——以及系统在朝什么方向迭代。

Level 1：Prompt 系统

你输入，它回复，会话结束。没有记忆，没有行动，没有迭代。

大多数 AI 工具在这里。单次问答有用，但凡需要积累的事就不行。

Level 2：Agent 系统

AI 能调用工具、跑多步计划、连接外部系统——在单次会话内。好一些。但会话结束，工作也结束。

很多「AI Agent」实际是 Level 2——对话内有能力，跨对话无状态。

Level 3：Loop 系统

AI 以周期运转。跨会话记忆。在真实系统上行动。通过独立验证层检查产出。按计划运行。能积累。

这就是行业刚命名的 Loop Engineering。是一个真实的架构转变。但它有一个没回答的问题：

循环在朝什么方向迭代？

在代码世界，答案很清楚：测试通过、lint 干净、PR 可以合并。二值的、可验证的、封闭的。

但商业不是这样运作的。

Level 4：Growth Systems（增长系统）

Growth System 是循环接上真实商业结果之后变成的东西。

迭代目标不是「条件满足」，而是「营收动了」。是「CPA 降了，同时量没掉」。是「上周失败的测试，影响了这周的策略方向」。

这改变了系统需要做什么：

不能只验证——需要解读。 CPA 降了是因为素材换了，还是因为竞品暂停了投放？
不能只记忆——需要积累。 上周的失败不只是存档，它塑造这周的假设。
不能只行动——需要在不确定性中决策。 市场在变。昨天有效的明天未必有效。
不能只循环——需要知道什么时候该停止循环、升级处理。 不是每个问题都能靠迭代解决。

Loop 系统问：「目标达成了吗？」

Growth 系统问：「生意变好了吗？」

这不是语义差异。这是不同类别的系统。

为什么大多数循环到不了增长系统

代码圈解决了 loop engineering，因为他们的领域有一个好用的属性：明确的通过/失败信号。测试过了就是过了，lint 干净就是干净。

增长没有这个奢侈品。增长活在：

模糊的因果关系。 预算调整有帮助，还是市场本身在变？
互相竞争的目标。 降 CPA 同时提量？这两件事经常打架。
非稳态环境。 平台周二改了算法，你的循环没注意到。
跨系统依赖。 素材表现影响出价，出价影响投放，投放影响归因。你不能只在一个维度上循环，而不理解其余的。

一个通用循环——哪怕设计得很好——会在这些问题上撞墙。它会迭代到一个局部最优然后错过战略性转变。它会优化一个已经不重要的指标。它会在该升级处理的时候继续跑。

Growth Systems 是知道如何在这种不确定性中运作的循环。它们不只是架构上连续的，而是商业上智能的。

增长循环

增长循环：Observe → Decide → Execute → Verify → Remember → Compound，持续朝商业结果迭代的闭环

画出来：

Observe   → 账户、市场、素材，现在发生了什么？
Decide    → 应该改什么——背后的假设是什么？
Execute   → 在真实平台上改。不是写进文档。
Verify    → 营收动了吗？独立验证。因果意识。
Remember  → 记住发生了什么。更新「什么有效」的模型。
Compound  → 下一轮比上一轮更聪明。不是从零开始。

大多数 AI 增长工具在「Decide」之后就停了。生成一条建议，交还给你。你变成执行层、记忆层、验证层——三合一。

Loop 系统跑完整周期。Growth 系统跑完整周期，并且知道「更好」在商业语境里是什么意思。

Growth System 和 Loop System 的区别

Loop System vs Growth System：一个达到条件就停的闭环，对比一个持续向上积累的螺旋——那不是循环，那是增长系统

属性	Loop 系统	Growth 系统
迭代目标	可验证条件（「测试通过」）	商业结果（「营收增长、效率保持」）
验证	二值——通过/失败	连续——改善程度 + 置信度
记忆	做了什么	做了什么 + 什么意义 + 下次怎么不同
决策逻辑	按计划执行到完成	市场变了就调整计划
升级机制	阻塞时停止	问题超出迭代能力时升级
领域知识	通用（任何代码库）	特定（平台机制、商业模型、竞争环境）

这个模式早就在了

给模式起名有用——给团队一套共同语言。但实践者往往在名字出现之前就到了那里。

Context engineering 2025 年被命名。Harness engineering 2026 年初被命名。Loop engineering 2026 年 6 月结晶。

Growth Systems 还没有行业通用的名字。但架构——持久化技能、平台连接器、验证层、积累式记忆、定时自动化、商业结果驱动的迭代——已经在生产环境里跑了好几个月。

问题不是 loop engineering 是不是真的。问题是：你的 AI 增长工具到底是个增长系统，还是一个不知道自己在优化什么的循环？

→ 延伸阅读：留存，发生在 Agent 开始记住之后

→ 延伸阅读：增长工具进入执行时代

接下来会怎样

AI 行业花了两年教模型怎么思考。

然后教系统怎么迭代。

下一阶段是教它们朝什么方向迭代。

不是「测试通过」。不是「条件满足」。

营收。效率。可积累的优势。

行业在谈循环。

我们关心的是循环接上营收之后会变成什么。

那不是循环。

那是增长系统。

从分析到执行。

→ growthgpt.app

FAQ

什么是 Growth System（增长系统）？

Growth System 是一种以连续周期运转的 AI 系统——观察、决策、执行、验证、积累——以真实商业结果（营收、CPA、ROAS、留存）为迭代目标，而不只是技术性的通过/失败条件。

Growth System 和 Loop Engineering 有什么区别？

Loop Engineering 设计的系统朝可验证目标迭代。Growth Systems 是一种更难的循环类别：在模糊因果、竞争目标和非稳态市场条件下朝商业结果迭代。需要商业智能，不只是架构连续性。

AI 系统的四个层级是什么？

Level 1：Prompt 系统（单次问答，无记忆）。Level 2：Agent 系统（有工具有计划，会话绑定）。Level 3：Loop 系统（连续周期、记忆、验证）。Level 4：Growth 系统（循环架构 + 商业结果迭代 + 商业智能）。

这个框架只适用于广告吗？

Growth Systems 的概念适用于任何 AI 朝商业结果迭代的领域——广告、营收运营、留存、定价。广告是天然的起点，因为它产生连续的、可量化的反馈。

这和营销自动化有什么区别？

传统营销自动化走固定规则——「如果 X，那么 Y」。Growth Systems 用 AI 根据观测结果在不确定性中决策，以商业结果而非固定路径驱动。规则不是写死的，而是从目标和市场状态中推导出来的。