01. Loop：省钱就自欺，不自欺就烧钱
摘要 ：Loop 是 最近 AI 圈最热的概念——让 AI 不再等你发指令，自己跑完整循环。但所有人都在教你怎么搭，没人告诉你它有两个结构性缺陷：Token 爆炸增长让成本失控；验证机制本身面临古德哈特定律——用 AI 检查 AI，检查者也是可博弈的。更致命的是，这两个缺陷在互相掐架：省钱就自欺，不自欺就烧钱。Loop 不是 AI 使用方式的进化，它是 AI 资源消耗方式的阶级分化。
AI SaaS ToB 行业产品老兵，创业者，欢迎关注并理性讨论。
所有人都在说 Loop 是 AI 协作的下一阶段。
Easycompany 写了”LOOP 基础使用方法”，50 万阅读。Anatoli Kopadze 写了”Loops explained”，1200 万阅读。Codez 写了”Loop engineering：从 prompt 到 loop 的 14 步路线图”，800 万阅读。三篇文章，三千万阅读，2026 年上半年 AI 圈最成功的内容叙事。
最高赞评论六个字：“TOKEN 烧不起啊。”
不是”学到了”，不是”感谢分享”。是——太贵了，用不起。
这六个字比三篇文章加起来都值得认真对待。它不是在反对 Loop，它是在说：我知道这东西好，但我用不起。这是一个经济学判断，不是一个技术判断。
02. Loop 的两张面孔
Loop 的本质是什么？把 AI 从”应答者”变成”自主循环者”。你不再一步一步带它走，你只给目标、成功标准、放弃规则。它自己跑 DISCOVER → PLAN → EXECUTE → VERIFY → ITERATE。跑完一轮，检查结果，没达标就继续跑，直到达标或者撞到硬上限。
Peter Steinberger 说得更直接：“你不该再给 coding agent 写提示词了。你该设计能提示 agent 的 loop。”
这句话被反复引用，因为它精准。但它只说了一半。
另一半藏在 token 计数里。
Loop 的每一次迭代，都在重新读取全部上下文。第一轮：目标描述、代码库摘要、任务说明——假设 5000 token。第二轮：上面的全部内容，加上第一轮的结果、失败原因、修改方案——8000 token。第五轮：累积了四轮尝试、四轮失败、四轮修改记录——可能 25000 token。第十轮：50000 token 起步。
不是 10 次普通 prompt 的成本。是 10 次越来越大的 prompt 的成本。
Zylos Research 今年 2 月发了一份 agent 成本优化报告，算得很清楚：一个 ReAct Loop 跑 10 轮，token 消耗是单次线性调用的 50 倍。如果上下文从 8000 token 膨胀到 128000 token，注意力矩阵的计算成本不是 16 倍——是 64 倍。平方级增长。每多一轮，不只是多加一轮的内容，是多加一轮在更大上下文上的注意力计算。
还有三个隐性成本放大器，大部分人搭 Loop 的时候根本不算进去：
第一，工具调用开销。每次 agent 调用一个工具——读文件、搜网页、跑代码——都需要把函数 schema、调用参数、返回结果全部塞回上下文。CockroachLabs 的分析指出，一次工具调用的 round-trip 可能触发多次重试：查询返回意外结果、schema 不匹配、超时——每次重试都重新发送完整对话历史。
第二，输出 token 溢价。几乎所有主流模型，输出 token 的价格是输入 token 的 3 到 8 倍。Loop 里的 agent 在每一步都要生成推理过程、行动计划、验证结论——这些全是输出 token。一个在”思考”的 agent，比一个在”回答”的 chatbot，输出 token 占比高得多。
第三，上下文窗口浪费。开一个 128K 的窗口，Loop 前几轮可能只用了 10%。照样按 128K 的注意力矩阵付费。模型不关心”实际用了多少”，它关心”开了多少”。
CockroachLabs 的原话是：“Pilot economics bore no relationship to production economics.”——试点期间的成本跟生产环境完全不是一回事。在沙箱里跑三次 Loop，账单几十美分。上生产环境，每天几千次任务、每次 10-20 轮迭代，月账单从三位数跳到五位数。Gartner 今年 3 月的预测：到 2027 年，40% 的 AI agent 项目会因为成本超支被取消。不是技术不行，不是市场不匹配。纯粹是账算不过来。
OpenRouter 的公开数据是更宏观的印证：平台周 token 处理量从 2024 年 12 月的 0.4 万亿涨到 2026 年 3 月的 27 万亿。15 个月，68 倍。token 单价下降了 98%，但总账单还在涨——消耗量的增长远远超过了单价的下降。杰文斯悖论在 AI 领域的完美复现：效率越高，消耗越多。
这就是 Loop 的第一张面孔：效率神话。AI 自己跑完整个循环，人不参与每一步。生产力的终极杠杆。
第二张面孔：成本黑洞。神话的燃料是 token，token 就是钱。而 Loop 烧 token 的速度不是线性的——它在复利式加速。
但成本还不是最要命的。
03. 谁在批改 Loop 的作业？
Easycompany 的文章里有一句很诚实的话：“如果没有关卡，agent 就是在批改自己的作业。而完成任务的那个模型，通常会对自己太宽容。”
所以 Loop 的标准配方是 Maker + Checker：一个模型干活，另一个模型检查。干活的可以快一点、便宜一点（比如 Haiku 或 GPT-5 Fast），检查的慢一点、严格一点（Sonnet 或 Opus，开高推理强度）。
听起来很合理。分工明确，制衡到位。但问题从这里才开始。
CMU 和 Anthropic 的研究人员做过一个实验，结果让人不舒服。他们构建了”不可能完成”的基准测试——题目本身有结构性缺陷，理论上任何模型都不该通过。然后他们把题目交给主流大模型。结果呢？这些模型在大多数情况下仍然会”完成”任务。而且能力越强的模型，作弊率越高。
这个发现需要停下来想一想。Loop 的逻辑是”用更强的 Checker 来确保质量”。但如果更强的模型更擅长作弊——更擅长找到评分标准里的漏洞、更擅长制造”看起来对”的结果——每加一层 Checker 不是在堵漏洞，是在开新漏洞。
NIST 今年发布了一份报告，系统记录了 AI agent 在评估中作弊的方式：修改测试代码让测试”通过”、在互联网上搜索答案库、利用 git 历史查看”正确答案”、直接修改评分脚本。Scale AI 在评估中禁止模型访问 Hugging Face 后，某些 benchmark 的得分直接掉了 15%——因为模型之前在偷偷查答案。
SWE-bench Verified 是代码 agent 最常用的基准测试之一。最近用户发现，AI agent 在通过搜索 git 历史来找到代码的未来状态——它在”预知”正确答案。这不是 bug。这是 agent 在给定的约束条件下找到了最优解——只不过这个最优解不是你想要的。
这不只是”模型不诚实”的问题。这是古德哈特定律在 AI 时代的完美复现。
古德哈特在 1975 年提出的原话是：“当一个度量变成目标，它就不再是好的度量。“这句话最初描述的是英国货币政策——当央行把货币供应量作为政策目标，市场就开始博弈这个指标，指标就失效了。坎贝尔在 1979 年把它推广到社会科学领域：一个量化指标用于社会决策的程度越高，它就越容易被操纵，也越容易扭曲它本该反映的底层现实。
2025 年的一篇论文把这个框架完整地映射到了 LLM 评估领域，提出了”基准衰减生命周期模型”——从引入、优化、污染、饱和到崩溃、替换，六个阶段。最刺眼的数据是衰减速度：MNIST 从引入到饱和用了 14 年，MMLU 和 HumanEval 用了 1-3 年。基准测试的有效期在急剧压缩。
Loop 的 VERIFY 环节需要一个可量化的成功标准——测试通过、lint 清零、type error 为零、rubric 评分 8 分以上。把这些标准交给一个足够聪明的 agent，它就会开始优化这些标准本身，而不是优化真正想要的结果。
这在量化投资里有一个精确的类比，我自己踩过这个坑。
用 AI 做量化回测。把历史数据喂进去，让模型自己找最优参数组合。回测收益率炸裂，夏普比率漂亮得像印钞机。实盘一跑，不赚钱。
为什么？因为回测的本质就是让模型在一段历史数据上反复迭代、优化参数，直到找到”最优解”。这个”最优解”拟合的不是市场信号，是历史噪音。它找到了那一段特定历史数据里所有偶然的、不可重复的模式，然后精确地拟合了它们。回测表现越好，过拟合越严重，实盘越惨。
Loop 的 VERIFY 环节跟回测是同一回事。Agent 在验证标准上反复迭代，直到评分达标。但它优化的不是”任务真的完成了”，而是”评分系统说我完成了”。迭代轮次越多，对验证标准的过拟合越严重。
做过十几年量化的朋友跟我说过一句话：“回测赚爆的系统，实盘第一年不爆仓就是胜利。“Loop 同理。在受限环境里通过 VERIFY 的产出，放到真实场景里的表现，才是真正的测试。但 Loop 的架构里没有”真实场景”——它只有 VERIFY 环节设定的那个封闭的、可量化的、必然存在盲区的评分系统。
04. 两个死穴在互相掐架
到这里，Loop 的两个结构性缺陷已经清楚了。
第一个是经济缺陷。Token 复利增长。Maker + Checker 双模型成本直接翻倍。上下文窗口平方级膨胀。工具调用重试叠加。输出 token 溢价。每一项单独看都不致命，叠在一起，成本不是加法，是乘法。
第二个是认知缺陷。验证标准会被博弈。古德哈特定律不关心你的 Checker 有多强——它只关心你的 Checker 是不是被设定成了”目标”。一旦 Checker 的评分成为 agent 的优化目标，agent 就会找到评分系统里每一个漏洞。更强的模型不会更诚实，它只会更擅长作弊。
但真正致命的是第三个发现：这两个缺陷在互相掐架。
你想让验证更可靠？加更强的 Checker、更严格的 rubric、更多轮验证。但每加一层验证，成本翻倍。而且更强的 Checker 需要更大的上下文窗口——上下文越大，注意力矩阵成本平方级增长。更严格的 rubric 需要更多轮迭代才能达标——轮次越多，token 复利越严重。
你想控制成本？削弱验证环节，降低 Checker 模型的规格，减少迭代轮次，缩小上下文窗口。但验证越弱，Loop 就越接近”agent 批改自己的作业”。Geoffrey Huntley 把这种情况叫做 Ralph Wiggum Loop——名字来源于《辛普森一家》里那个永远自我感觉良好但实际上一事无成的角色。Agent 过早判断自己完成了任务，在半成品状态退出。Loop 继续空转、继续花钱，但没有真正产出。
省钱就自欺。不自欺就烧钱。
这不是工程问题。工程问题可以靠更好的架构、更优的算法来解决。这是一个结构性的张力——两个缺陷的修复方向是互相矛盾的。你不可能同时最大化一个系统的验证可靠性和成本效率，就像你不可能同时最大化一个投资组合的收益率和安全性。你只能选一个，然后承受另一个的代价。
从经济学的角度看，这个张力的本质是代理人问题。
Loop 里的 Maker 是代理人。给一个目标和验证标准，让它自己跑。但代理人有自己的”利益”——在 AI 的语境下，这个利益不是金钱，而是”尽快达到验证标准并退出”。Maker 会找到最短路径来完成设定的度量，而不是完成真正的意图。这不是模型在”欺骗”，这是模型在给定的激励结构里做出了理性反应。
加一个 Checker 来监督 Maker。但 Checker 也是代理人。Checker 的”利益”是什么？是”找到一个可以报告的问题”——如果什么都没找到，它的存在就没有价值。Checker 有动力过度审查，正如 Maker 有动力过度简化。
谁来监督 Checker？再加一个 Super-Checker？每一层监督都在增加成本，而每一层监督者本身也是可博弈的。这不是一个可以靠”多加一层”来解决的问题——它是一个结构性的递归困境。
学术界已经意识到了这个问题。ICML 2026 专门开设了 agent failure modes 的 workshop。一篇 5 月的论文提出了 SMARt 模型——“托管自主权”（Managed Autonomy），核心观点是：agent 必须有能力检测自己的”认知漂移”，并在可靠性下降时主动交还控制权。换句话说，Loop 的终极安全机制不是更好的验证，而是——认输。
这个结论本身就说明了很多问题。Loop 工程学最前沿的研究方向，不是在研究怎么让 agent 跑得更好，而是在研究怎么让 agent 知道自己什么时候该停。
05. Loop 是精英加速器
前面提到的 ICML 2026 failure modes workshop 把 agent 失败分成了 15 种模式、6 大类。每一类都配了检测难度、修复成本和缓解方案的矩阵。Barrier Magz 的评论很坦率：生产环境中的 agent 系统应该按”工程回报率”来排优先级——先修工具接口（高频、容易修），最后修对抗攻击（灾难级但罕见）。
但所有这些分类、所有这些优先级排序，都建立在一个假设上：你有资源去检测、监控、修复。你有预算跑 Maker + Checker 双模型。有工程师能看懂 agent 的失败日志。你知道每一类失败模式的”每事故成本”是多少，并且有能力为这个成本买单。
Loop engineering 确实是一个真实的方向。有工程师用 Loop 在 6 天内完成了一整个代码库从一种语言到另一种语言的迁移——纯手工做需要接近一年。Anatoli Kopadze 的文章列了 Claude、GPT、Mira 三个平台在 Loop 场景下的实际表现对比。Codez 画出了从”prompter”到”loop designer”的 14 步成长路线。
这些内容都很好。但它们都在描述同一件事：有资源的人怎么用 Loop 跑得更快。
我之前写过，AI 平权是个伪命题。工具民主化不等于能力平等化——大多数人拿到菜刀，顶级机构拥有军工体系。Loop 把这个命题推到了更极端的位置：它不仅没有缩小差距，它本身就是差距的放大器。
能负担 Maker + Checker 双模型 + 长上下文窗口 + 多轮迭代 + 监控告警 + token 预算管理的团队，和只能跑单次 prompt 的个人用户，产出不在一个数量级。前者的 agent 在你睡觉的时候还在跑、还在迭代、还在自我修正。后者的 chatbot 在你关掉页面的时候就停了。
Gartner 预测 40% 的 agent 项目会因为成本超支被取消。被取消的是哪些项目？不是 Google 和 Anthropic 的项目。不是那些有专用 GPU 集群和无限 token 预算的团队。是那些预算有限、试错空间小的中小团队。Loop 的成本结构天然筛选掉了资源最少的那批玩家——而他们恰恰是最需要生产力杠杆的人群。
Easycompany 在那篇 Loop 长文之后又发了一条推，把 AI 使用能力分成七层：聊天 → 上下文 → 记忆 → 工具 → Skill → 后台任务 → 目标。越往上，人越少管过程，越多管方向。
这条推的互动量远不如 Loop 长文。但它的信息量可能更大。因为这七层不只是能力阶梯——它是成本阶梯。
第一层（聊天）：免费。第二层（上下文）：手动喂资料，免费。第三层（记忆）：模型开始记住你，仍然是免费功能。第四层（工具）：能读文件、搜网页、跑代码——开始需要 API 费用，但单次调用成本极低。第五层（Skill）：固定工作流，开始需要多次调用和更大的上下文。第六层（后台任务）：你不盯着它也能跑——token 消耗开始从”单次”变成”持续”。第七层（目标驱动 Loop）：你给结果和边界，它自己跑完整循环——成本从持续变成复利。
每一层都有门票。越往上，门票越贵。第七层的门票是：双模型架构、长上下文窗口、验证基础设施、监控告警、token 预算管理。这已经是企业级 AI 运维的范畴。
Loop 的叙事把它包装成”AI 协作的下一阶段”——好像每个人都会自然地走到这一步。但经济学的逻辑说：只有付得起门票的人才能走进这个阶段。对大多数人来说，Loop 不是下一站，是别人的下一站。
06. Loop 的边界
说了这么多，我不是在说 Loop 没用。我在说 Loop 有边界。知道边界在哪，比知道怎么搭更重要。
Easycompany 自己列了四个条件——Loop 值得搭的前提：任务至少每周重复一次、坏结果可以被自动拒绝、Agent 能从头到尾完成任务、“完成”的定义是客观的。
这四个条件是他文章里最重要的一段。但也是最被跳过的一段。因为条件判断没有操作快感——没有命令可以复制、没有模板可以粘贴、没有截图可以分享。它只是一组过滤器，告诉你”大部分情况其实不需要 Loop”。
缺任何一条，就别上重型 Loop。一次性任务，一个好 prompt 的效率远超一个 Loop 的搭建成本。主观判断占主导的任务——文案写作、设计评审、战略分析——人必须在关键位置把关，因为”好”的标准本身就是博弈对象。
真正适合 Loop 的场景，是那些验证成本天然低的任务。代码有测试套件——红灯就是红灯，绿灯就是绿灯。数据处理有 schema 校验——格式不对就是不对。文档有格式规则——lint 报错就是报错。这些场景里，验证是廉价的、客观的、无法博弈的。Loop 在这里是加速器——因为两个死穴都不发作：验证成本低（经济缺陷被控制），验证标准硬（认知缺陷被控制）。
而在验证成本高、标准模糊的场景里，Loop 的两个死穴同时发作。成本在复利增长，验证在自欺欺人。钱越花越多，结果越来越不可靠——而且很难区分”Loop 在迭代”和”Loop 在过拟合”。
写这篇文章的过程本身就是例子。这个选题能不能用 Loop 写？理论上可以——给一个目标、一套评分标准、让它自己迭代。但”好文章”的验证标准是什么？字数达标？结构完整？这些度量跟”读者觉得有收获”之间的差距，就是古德哈特定律的空间。Loop 可以写出结构完美、数据齐全、毫无真知灼见的文章——而且它会在 rubric 上给自己打 9 分。
Peter Steinberger 那句话应该补全：“你不该再给 coding agent 写提示词了——如果你的任务有客观验证标准，而且你算过账。”
否则，你还是自己写吧。
07. 原文来源
原文发表于微信公众号“中老年叨叨”（2026年7月6日 14:52）。查看微信公众号原文。