【Loop Engineering研究报告】04-六大核心组件详解

2.3 六大核心组件

Addy Osmani在《Loop Engineering》中将Loop的运行机制拆解为六大核心组件,这六大组件在OpenAI Codex App和Anthropic Claude Code中高度同构,揭示了Loop架构的本质特征[Osmani, 2026]。

组件1:自动化/Automations——发现与分诊机制

Automations组件负责Loop的触发和工作发现,是Loop自主性的起点。

核心功能

• 定时触发:
  Cron调度,定期扫描任务队列、Issue列表、PR状态
• 事件触发:
  响应外部事件(PR创建、CI失败、评论提交)
• /goal模式:
  用户定义目标后,Agent自主迭代直到达成

代表实现

• Codex App:Automations标签页,选择项目、提示词、频率、环境,结果落入分诊收件箱
• Claude Code:调度任务和cron、`/loop`命令、`/goal`命令、hooks、GitHub Actions

Mer.vin指出:"你设计一次;Loop按计划或跨轮次 poke Agents。这坐在Agent Harness Engineering之上(单个Agent运行的环境)和Factory Model之上(构建软件的系统)"[Mer.vin, 2026]。

组件2:工作树/Worktrees——并行Agent执行隔离

Worktrees组件解决多个Agent并行执行时的冲突问题,是实现Loop规模化的基础设施。

核心功能

• 执行隔离:
  每个Agent在独立的Git worktree中工作,避免文件冲突
• 并行化支持:
  多个Agent同时处理不同任务,互不干扰
• 状态管理:
  每个worktree维护独立的分支状态和工作进度

代表实现

• Codex App:每个线程内置worktree
• Claude Code:`git worktree`命令、`--worktree`参数、子Agent上的`isolation: worktree`配置

这是从单人Agent到Agent团队的关键基础设施。没有worktree,多个Agent在同一代码库工作会产生频繁冲突,破坏可靠性。

组件3:技能/Skills——项目知识持久化

Skills组件解决Agent的"遗忘"问题,将项目知识固化为可复用的指令文件。

核心功能

• 知识封装:
  将项目结构、构建流程、编码风格、架构约束编码为Markdown文件
• 自动加载:
  每次Agent会话自动加载SKILL.md,无需人工重复说明
• 技能组合:
  多个Skill可以组合使用,支持复杂任务场景

代表实现

• Codex App:Agent Skills(`SKILL.md`),通过`$name`调用或隐式激活
• Claude Code:Agent Skills(`SKILL.md`),通过技能系统加载

SpecWeave团队在《Skills vs Agents》中明确区分:"Skills是AI助手遵循的Markdown指令。它们可以三种方式调用:自然语言(关键词自动激活)、斜杠命令(Claude Code中的`sw:name`)、其他AI工具中的CLI关键词(`name`)。Skills也可以被子Agent预加载"[SpecWeave, 2026]。

Skills的本质是将"隐式知识"转化为"显式指令"。没有Skills,Agent每次都需要重新学习项目约定,产生大量重复工作和不确定性。

组件4:连接器/Connectors——外部工具对接

Connectors组件扩展Agent的能力边界,使其能够调用外部工具和服务。

核心功能

• MCP协议:
  Model Context Protocol,标准化工具调用接口
• 插件系统:
  连接GitHub、Jira、Linear、数据库等外部服务
• 工具发现:
  动态发现可用的工具和API

代表实现

• Codex App:Connectors(MCP)加上插件分发机制
• Claude Code:MCP servers加上插件系统

MCP协议在2025年由Anthropic提出,已成为Agent工具调用的行业标准。它允许Agent通过标准化接口调用任何兼容工具,避免了为每个工具开发专用集成。

组件5:子Agent/Sub-agents——生成器与评估器分离

Sub-agents组件是Loop架构中最关键的决策,实现生成器与评估器的角色分离。

核心功能

• 角色分离:
  生成Agent负责产出,评估Agent负责审查
• 独立上下文:
  每个子Agent拥有独立的上下文窗口,避免推理污染
• Maker-Checker模式:
  一个Agent"制作",另一个Agent"检查"

代表实现

• Codex App:Subagents,在`.codex/agents/`目录定义为TOML文件
• Claude Code:Task subagents在`.claude/agents/`目录定义,Agent团队协作

这是解决"自我评估偏见"的结构性方案。TeamDay AI在《Generator-Evaluator Pattern》中指出:"Generator-Evaluator模式是Agent架构,其中创建工作的AI系统与判断工作的AI系统分离。这解决了AI Agent的根本局限:它们是不可靠的自我评论家。被要求评估自身输出的Agent会自信地批准平庸工作,但独立的评估器Agent——拥有新上下文和显式评分标准——能够捕获Generator遗漏的错误"[TeamDay AI, 2026]。

组件6:记忆/Memory——跨会话状态持久化

Memory组件解决Agent的"遗忘"问题,使Agent能够跨会话保持状态和知识。

核心功能

• 短期记忆:
  当前会话的上下文窗口,存储对话历史和中间结果
• 长期记忆:
  跨会话持久化存储,保存项目知识、用户偏好、历史决策
• 状态追踪:
  记录已完成的任务、正在进行的任务、阻塞的任务

代表实现

• Codex App:Markdown文件或通过Connector连接的Linear看板
• Claude Code:Markdown(`AGENTS.md`、进度文件)或通过MCP连接的Linear

Osmani强调:"Agent在运行之间忘记一切,所以记忆必须在磁盘上而非在上下文中。Agent忘记,仓库不忘记"[Osmani, 2026]。

这是Loop能够长期运行的基础。没有Memory,每次会话Agent都从零开始,无法积累经验或追踪进度。

六大组件映射表

两大产品的高度同构性揭示了Loop架构的本质:这不是产品功能差异,而是Loop工程的基础设施标准。