2.1 定义:从流程驱动到目标驱动

Loop Engineering与传统Workflow的根本性差异在于驱动机制的不同——这是理解Loop范式的前提性认知。

传统Workflow:流程驱动的确定性自动化

传统Workflow自动化遵循"流程驱动"范式,其本质特征为:

• 确定性控制流:
  定义"A-B-C"的固定步骤序列,模型扮演执行者角色
• 规则导向:
  通过if-then逻辑、条件判断、异常分支实现流程控制
• 预设路径:
  针对特定场景设计最优执行路径,不适应动态变化
• 边界清晰:
  每个步骤的输入输出、成功条件、异常处理都预先编码

Microsoft Design团队在《Designing loops, not paths》中指出:"在传统应用设计中,设计者从期望结果出发,将过程分解为步骤。这些步骤可能位于单一产品内,也可能跨越多个产品和用户类型"[Fick & Peterschmidt, 2025]。

这种范式在过去数十年行之有效,因为它与确定性软件的局限性相匹配。然而,在生成式AI时代,Workflow范式暴露出根本性局限:

• 僵化性:
  无法适应真实人类行为的复杂性——实际交互很少遵循线性脚本,而是包含大量调整、反馈循环、重新规划
• 过度复杂:
  为处理所有可能分支,Workflow设计变得异常复杂,维护成本高昂
• 限制性:
  将Agent能力限制在预设路径内,无法发挥AI的适应性和推理能力

MindStudio团队在对比ReAct Loop与Linear Workflow时指出:"Workflow不能思考。如果这个月你表现最好的帖子是轮播图而非文本帖子,Workflow不知道。如果视频主题更适合线程格式,Workflow不会做出判断"[MindStudio, 2026]。

Loop范式:目标驱动的自适应自动化

Loop Engineering遵循"目标驱动"范式,其本质特征为:

• 目标导向:
  定义"达成X"的目标和"不超过Y"的约束,模型扮演决策者+执行者双重角色
• 自适应路径:
  根据环境反馈动态调整执行策略,不依赖预设路径
• 反馈循环:
  通过Observe-Think-Act-Evaluate-Replan的循环机制实现自我纠错
• 边界控制:
  通过约束条件、验证机制、停止条件控制Agent行为边界

ConsultEvo团队在《AI Agents vs Automation Workflows》中明确区分:"AI-assisted workflow仍然遵循确定性控制流(trigger-rules-actions)。AI Agent是目标驱动的,能够决定下一步做什么(在约束条件下),使用perceive-plan-act循环"[Aslan, 2026]。

核心转变在于:从"流程自动化"到"决策自动化"。Workflow自动化的是执行过程,Loop自动化的是决策过程——模型自主判断当前状态、选择行动方案、评估结果质量、决定是否需要重新规划。

Microsoft Design将这种转变类比于导航:"想象在高峰时段开车穿越城市。你可能有计划路线,但交通拥堵、道路施工或恶劣天气迫使你适应——绕道、查看交通应用、循环回溯,甚至停下来喝咖啡直到情况好转。这就是Loop的本质:与现实的交互很少遵循脚本,而是包含一系列调整和反馈循环"[Fick & Peterschmidt, 2025]。

范式差异对比表

这种范式转变带来了新的设计哲学:约束Agent的解空间质量决定其生产力和可靠性,而非模型规模或提示词技巧。这正是Loop Engineering的核心命题。