Prompt sudah mati, loop yang harus berdiri.
Inilah poin penting baru untuk tren AI yang baru-baru ini viral dan panas diperbincangkan di internet, diberikan oleh Huang Renxun:
Nobody writes prompts anymore. The new job is to write and handle loops.(Sekarang sudah tidak ada yang menulis Prompt, pekerjaan inti di era baru adalah menulis dan mengelola loop.)
Apa itu loop? Kata ini secara harfiah berarti "perulangan", dalam bahasa lingkaran AI berarti:
Anda tidak lagi memberikan perintah langsung ke AI, tetapi merancang sebuah sistem yang akan memberikan perintah untuk Anda, memeriksa hasilnya untuk Anda, mengulang sendiri jika tidak memenuhi syarat, sampai pekerjaan selesai.
Hah? Bukankah ini yang dilakukan Agent sekarang? Mengapa ada konsep baru lagi?
Mari kita tunda dulu pertanyaan ini, setelah melihat-lihat, konsep "loop" ini memang cukup populer——
Selain Huang Renxun, sejumlah tokoh besar seperti "Bapak Udang Karang" Peter, "Bapak Claude Code" Boris Cherny, Andrew Ng, semuanya membicarakan dan mendorong loop dengan keras.
(Peter) Berhentilah menulis prompt untuk Agent pemrograman, rancanglah loop, biarkan loop yang memberikan prompt ke Agent.
(Boris) Saya sudah tidak menulis prompt untuk Claude lagi. Saya punya banyak loop yang berjalan, merekalah yang memberikan perintah ke Claude, memutuskan langkah selanjutnya. Pekerjaan saya, adalah menulis loop.
Ketika "menulis loop" menggantikan "menulis prompt" menjadi rutinitas baru para tokoh besar, loop jelas telah melampaui tahap "hanya konsep baru lagi".
Yang tersisa hanyalah pertanyaan:
Apa sebenarnya yang dimaksud dengan loop? Mengapa tiba-tiba menjadi begitu populer?
Apa sebenarnya loop itu
Untuk memahami hal baru ini, kita perlu mengingat kembali paradigma lama sebelumnya.
Gerakan standar pemrograman AI dua tahun terakhir adalah seperti ini:
Anda menulis sebuah prompt, AI mengeluarkan sepotong kode, Anda tidak puas melihatnya, menulis prompt lagi, AI mengubahnya lagi, Anda melihat lagi......
Intinya adalah tarik-ulur bolak-balik, manusia terus mengawasi.
Karpathy sebelumnya juga secara tidak langsung mengkritik bahwa "manusia adalah hambatannya", dan menasihati semua orang:
Anda tidak bisa duduk menunggu untuk menulis prompt di setiap langkah, Anda harus mengeluarkan diri Anda dari prosesnya.
Mengeluarkan manusia dari proses, inilah yang ingin diselesaikan oleh loop.
Logika intinya hanya satu kalimat:
Anda mendefinisikan sebuah tujuan, AI berjalan sendiri, setelah selesai memeriksa sendiri, jika tidak memenuhi syarat, membawa kesalahan dan melakukan putaran lain, sampai lulus atau mencapai batas anggaran baru berhenti.
Saat ini, peran manusia berubah dari "penyampai pesan" menjadi "perancang aturan".
Jadi kembali ke pertanyaan awal: Apa bedanya dengan Agent?
Jelas, Agent adalah orang yang mengerjakan tugas, sedangkan loop adalah mekanisme manajemen yang membuat orang ini terus bekerja tanpa perlu Anda awasi.
Agent tanpa loop, Anda beri satu perintah dia bergerak sekali, pada dasarnya masih alat yang patuh.
Agent yang dipasangi loop, baru benar-benar menjadi sistem yang bisa berputar sendiri.
Prinsipnya terdengar memang tidak rumit, tapi masih agak abstrak.
Jangan khawatir, saya pergi melihat kondisi implementasi aktual loop saat ini, dan ternyata dia sudah tersembunyi dalam sistem yang kita kenal.
Terkait loop, di tingkat produk implementasi saat ini sudah terbentuk pola "dua pahlawan yang berhadapan".
Salah satunya adalah Claude Code yang kita gunakan setiap hari, dia membuat tiga serangkai seputar loop:
/loop bertanggung jawab untuk loop terjadwal, /goal bertanggung jawab untuk penggerak tujuan (berjalan sampai kondisi pemeriksaan terpenuhi), /schedule bertanggung jawab untuk tugas terjadwal di cloud (bisa berjalan meski laptop ditutup).
Di antaranya, desain paling cerdik adalah /goal, di baliknya tersembunyi prinsip paling kunci dari loop——tidak bisa memeriksa kertas ujiannya sendiri.
Claude Code langsung menulis prinsip ini ke dalam arsitektur produk:
Yang menulis kode adalah model besar (large model), yang memeriksa adalah model kecil independen lainnya, Haiku, dua model ini memiliki peran masing-masing.
Dengan demikian, Agent tidak akan memberikan nilai tinggi untuk dirinya sendiri, pemeriksaan baru memiliki kekuatan pengikat yang nyata.
Yang lainnya adalah OpenAI Codex.
Cara main Codex lebih mendekati kombinasi "jalur perakitan otomatis + penggerak tujuan + beberapa sub-Agent", dalam pengalaman praktis beberapa pengembang, bisa dilihat hingga 8 Agent berjalan bersamaan di sandbox cloud masing-masing, mengerjakan tugasnya sendiri, dan akhirnya mengumpulkan hasilnya.
Menariknya, meskipun jalur implementasi kedua perusahaan ini agak berbeda, tetapi bentuk akhir yang tumbuh sangat mirip——
Sama-sama memecah tugas kompleks, membagikannya ke beberapa Agent untuk dijalankan secara paralel, lalu dikumpulkan secara seragam.
Dalam evaluasi publik dan reputasi komunitas, kinerja keduanya juga sudah sangat dekat.
Ini juga menunjukkan satu masalah, model itu sendiri sudah tidak bisa diperlebar perbedaannya, perbedaan sebenarnya ada pada pengaturan loop di lapisan atas.
Berbicara sampai di sini, mari kita lihat langsung bagaimana "Bapak Claude Code" Boris Cherny bekerja setiap hari, semuanya akan jelas.
Dia mengaku bulan November lalu menghapus IDE, sebulan tidak membukanya, akhirnya dihapus.
Sekarang dia memiliki ratusan Agent kecil yang berjalan bersamaan, ada yang memindai issue GitHub, ada yang membaca umpan balik pengguna di Slack, ada yang memantau kegagalan CI. Setiap Agent bekerja di cabang kode yang terisolasi, satu menulis kode, yang lain menjalankan tes untuk pemeriksaan.
Yang tidak bisa diselesaikan baru masuk ke kotak masuknya, menunggu dia untuk menilai.
Menurut pengakuannya, sejak Opus 4.5, semua kodenya ditulis oleh Claude Code, dan sekarang sebagian besar kode diselesaikan langsung di ponselnya.
Selanjutnya adalah loop, Agent saling memberikan prompt, di antaranya tidak perlu audit manual.
Lihat, bentuk akhir loop sudah sangat jelas:
Orang tidak menulis kode, juga tidak menulis prompt, hanya menulis aturan dan penilaian, sisanya serahkan semua ke loop.
Bagaimana membuatnya ber-loop
Lalu, bagaimana kita membuatnya ber-loop?
Di X ada seorang blogger bernama Codez yang sudah merangkumkannya untuk semua orang, dia memposting roadmap praktis 14 langkah, di sini saya pilih beberapa intisari.
Langkah 1: Jangan buru-buru membangun, lakukan "Tes 4 Kondisi" dulu
Loop bukanlah tempat untuk memasukkan semua pekerjaan, membangun sembarangan hanya akan merugikan uang.
Sebelum bertindak, jawab empat pertanyaan dulu:
Apakah tugasnya terjadi berulang?
Ada cara pemeriksaan otomatis?
Anggaran Token mampu menanggung?
Agent punya alat "insinyur senior"?
△
Keempatnya lulus, baru layak dibangun loop.
Langkah 2: Mulai dari loop paling sederhana yang memungkinkan
Pertama kali jangan cari yang ribet, buatlah satu paket empat bagian:
Satu pemicu (Automation): berjalan terjadwal, dipicu peristiwa, terserah. Di Claude Code gunakan /loop, di Codex gunakan panel Automations.
Satu keterampilan (Skill): tulis konteks proyek ke STATE.md, sehingga setiap eksekusi tidak perlu menjelaskan ulang.
Satu file status (State File): gunakan Markdown untuk mencatat "sudah sampai mana, apa yang berhasil, apa yang gagal", lanjutkan lain kali.
Satu gerbang (Gate): tes, pemeriksaan tipe, build——hal yang bisa otomatis menghentikan hasil buruk.
Dan urutannya sangat krusial: jalankan manual sekali sampai berhasil→tulis menjadi Skill→bungkus ke loop→baru terakhir dijadwalkan.
Melewatkan langkah adalah penyebab utama loop mati di lingkungan produksi.
Langkah 3: Jadilah orang yang "memeriksa kertas", bukan yang "menilai kertas"
Prinsip paling penting dalam seluruh desain loop sudah disebutkan sebelumnya——yang menulis kode dan yang memeriksa kode, harus dipisahkan.
Diterapkan ke operasi konkret adalah:
Gunakan satu model (atau sub-Agent) untuk menulis, gunakan model independen lainnya (atau sub-Agent) untuk memeriksa, yang memeriksa tidak boleh melihat proses penalaran yang menulis kode.
Mengapa ini penting? Karena ketika model memberikan nilai untuk kode yang ditulisnya sendiri, seringkali "terlalu longgar".
Semua kode yang "terlihat bagus", di depan pemeriksa independen kemungkinan besar bisa ditemukan banyak masalah.
Langkah 4: Jangan menginjak lubang yang sudah diinjak orang lain
Lampirkan beberapa panduan menghindari jebakan.
1. Tidak ada kondisi berhenti keras. Loop akan berjalan sampai Anda menemukan tagihan atau dibatasi lalu lintas baru berhenti, jadi perlu menetapkan batas atas Token, batas iterasi, batas waktu.
2. Status tidak disimpan. Ingatan Agent bersifat sementara, hal yang dipelajari hari ini besok lupa, jadi perlu ditulis ke file status (STATE.md), setiap eksekusi membacanya lagi.
3. Membuat loop menyentuh pekerjaan yang "perlu penilaian". Penulisan ulang arsitektur, kode otorisasi, logika pembayaran, keputusan arah produk, ini jangan disentuh loop. Loop cocok untuk pekerjaan "benar salah jelas, bisa diverifikasi mesin, tidak bergantung pada penilaian manusia", seperti perbaikan otomatis Lint, PR pembaruan dependensi, klasifikasi kegagalan CI, reproduksi tes Flaky.
4. Tidak membaca Diff. Loop menggabungkan kode semakin cepat, pemahaman Anda tentang basis kode semakin dangkal. Ini disebut "utang pemahaman"——harga sebenarnya bukan tagihan Token, tetapi suatu hari Anda harus men-debug sistem yang tidak dibaca siapa pun di tim. Jadi disarankan Anda membaca Diff, meski hanya sekilas.
Langkah 5: Indikator pengukuran hanya satu
Jangan peduli berapa Token yang dibakar, berapa PR yang dibuka, berapa kali tugas dijalankan.
Satu-satunya indikator yang berguna adalah: Biaya rata-rata setiap perubahan yang diterima, berapa.
Jika "tingkat penerimaan" Anda di bawah 50%, itu berarti Anda sedang melakukan pekerjaan peninjauan yang seharusnya dihematkan loop untuk Anda, yaitu loop sedang merugi.
Dari prompt ke loop, empat kali lompatan paradigma
Prinsip dan metode sudah dipahami, pertanyaan terakhir hanya satu:
Mengapa loop sekarang menjadi populer?
Meski secara ketat, konsep Loop Engineering ini sejarahnya kurang dari tiga minggu.
Tapi dia tidak muncul tiba-tiba, menarik garis waktu ke belakang bisa melihat jalur evolusi yang sangat jelas.
Jalur ini sudah dirangkum oleh para tokoh besar untuk semua orang, kita langsung salin saja:
Dari Prompt→Context→Harness→Loop, total empat kali.
Singkatnya, dari tahun 2023~2024, ini adalah masa kejayaan Prompt Engineering.
Saat itu semua orang memikirkan satu hal: Bagaimana menulis prompt agar AI bekerja dengan baik.
Ditulis dengan baik dan tidak, hasilnya sangat berbeda, jadi saat itu "bisa atau tidak menulis prompt" sama dengan "bisa atau tidak menggunakan AI".
Tahap ini, hubungan manusia dan AI masih berada di lapisan paling dangkal——Anda berkata satu, dia balas satu, detail setiap perintah harus diketuk sendiri oleh manusia.
Tapi seiring dengan peningkatan kemampuan model, konteks jendela menjadi panjang, serta RAG dan akses basis kode semakin populer, masalah mulai bermigrasi pertama kali.
Sekitar tahun 2024 hingga awal 2025, industri mulai menekankan pentingnya "Context Engineering", fokus berpindah dari "bagaimana bertanya" menjadi "apa yang diberikan untuk dilihat AI".
Artinya, AI tidak lagi hanya bergantung pada satu kalimat prompt, tetapi bergantung pada seluruh latar belakang yang Anda berikan.
Tahap ini, kemampuan mengorganisir informasi mulai lebih penting daripada menulis prompt, granularitas kontrol berpindah dari "satu kalimat" ke "segumpal informasi".
Sampai tahun 2025~2026, seiring sistem Agent secara bertahap masuk ke alur pengembangan nyata, masalah terus meluas ke luar.
Saat ini orang menyadari, hanya memberikan informasi dan konteks juga tidak cukup, AI harus bisa menghubungkan alat, menjalankan kode, menyesuaikan antarmuka, melalui persetujuan izin.
Oleh karena itu, Anda harus membangunkan lingkungan eksekusi yang bisa bekerja, membatasi, mengambil sumber daya dunia nyata.
"Harness Engineering" lahir untuk ini.
Dan di atas Harness, "Loop Engineering" menjadi arah evolusi terbaru.
Jika Harness menyelesaikan masalah "bisakah AI bekerja di lingkungan nyata", maka loop menyelesaikan masalah "bisakah AI terus bekerja di lingkungan ini, memajukan tugas sendiri, tidak perlu diawasi langkah demi langkah oleh manusia".
Intinya bukan lagi kemampuan eksekusi tunggal, tetapi kemampuan operasi sistem tertutup.
Jadi dari Prompt ke Context, lalu ke Harness, lalu ke Loop, kelihatannya seperti pergantian konsep, tetapi pada dasarnya adalah jalur migrasi yang berkesinambungan:
Granularitas kontrol manusia terhadap AI terus bergerak naik, dari "menulis satu kalimat", menjadi "menyediakan informasi", lalu menjadi "membangun sistem", akhirnya menjadi "merancang perulangan".
Proses pembebasan tangan manusia secara bertahap.
Sebenarnya, meskipun hal loop ini baru populer di industri, tetapi di akademisi sebenarnya sudah lama ada konsep serupa.
Dan banyak pekerjaan penting terkait dengan seseorang yang kita kenal hari ini: Yao Shunyu (yang dari Tencent).
Salah satu pekerjaan paling representatifnya di arah Agent model besar, adalah kerangka kerja ReAct (Reason+Act) tahun 2022.
Karya ini mendapat level Oral di ICLR 2023, dan kemudian mendapat ribuan kutipan.
ReAct melakukan hal yang sangat krusial: Mengikat "penalaran" dan "tindakan" menjadi satu proses siklus.
Model besar tidak lagi mengeluarkan jawaban sekaligus, tetapi berpikir terlebih dahulu dengan penalaran yang dapat dijelaskan, lalu memanggil alat untuk melakukan aksi, setelah eksekusi mengamati umpan balik lingkungan, lalu masuk ke putaran penalaran berikutnya. Diabstraksikan menjadi:
Berpikir→Bertindak→Mengamati→Berpikir lagi→Bertindak lagi...
Struktur ini pada dasarnya adalah bentuk awal "agent loop" paling awal yang diekspresikan secara sistematis.
Setelah ReAct, jalur ini terus diperluas, misalnya Reflexion yang memperkenalkan mekanisme umpan balik "belajar dari kesalahan", Tree of Thoughts yang diperluas menjadi penalaran pencarian multi-jalur, serta serangkaian pekerjaan tool-use agent berikutnya yang secara bertahap menyempurnakan rantai lengkap "perencanaan + eksekusi + umpan balik".
Hasil akademis ini sedikit demi sedikit maju, akhirnya di dunia rekayasa menyatu menjadi "sistem loop" yang dibicarakan hari ini.
Jadi dari perspektif akademis, loop bukanlah penemuan satu orang tertentu, dia adalah jalur teknologi yang secara bertahap menyatu.
Hanya saja di jalur ini, kebetulan ada seorang Tionghoa yang kita kenal berdiri di satu simpul kunci.
Akhirnya tidak bisa tidak bersyukur, dari Prompt ke Loop, perkembangan AI terlalu cepat.
Terlalu cepat membawa konsekuensi, ada yang antusias, ada juga yang sulit menutupi kekhawatiran.
Dan pemberi nama Loop Engineering, direktur teknik Google Addy Osmani, adalah salah satu dari yang terakhir.
Dia menulis dengan sangat jelas dalam artikel panjang "Loop Engineering":
Masih sangat awal. Saya bersikap hati-hati. Biaya token Anda harus sangat berhati-hati.
Perkataan Karpathy lebih membuat orang berpikir, dia mengutip satu kalimat yang membuatnya sendiri berulang kali mengingatnya di konferensi Sequoia Capital AI Ascent 2026:
Anda bisa mengalihdayakan pemikiran Anda, tetapi Anda tidak bisa mengalihdayakan pemahaman Anda.
Terjemahannya, AI bisa memikirkan cara untuk Anda, tetapi Anda sendiri harus benar-benar memahami masalahnya.
Ini mungkin suara paling jernih dalam seluruh demam loop.
Referensi:
[1]https://x.com/i/trending/2068190968809980300
[2]https://x.com/addyosmani/status/2064127981161959567
Artikel ini dari akun WeChat publik "Qubit", penulis: Yi Shui
