Цикл автоматизации для ИИ: как Loop Engineering меняет работу

Loop Engineering — это замена себя как человека, который пишет промпты ИИ, на Систему, которая делает это за вас

5 компонентов цикла (и один бонусный)

Для цикла нужно пять вещей и одно место, где хранить состояние.

1. Автоматизации, которые срабатывают по расписанию и сами занимаются поиском и сортировкой.

2. Worktrees («рабочие деревья»), чтобы два агента, работающих параллельно, не мешали друг другу.

3. Навыки (Skills) — прописанное знание о проекте, которое агенту не придётся угадывать каждый раз.

4. Плагины и коннекторы для подключения агента к уже используемым инструментам.

5. Суб-агенты, чтобы один агент генерировал идею, а другой её проверял.

И шестое — память: markdown-файл, который живёт вне отдельного разговора и хранит, что уже сделано, а что следующим, потому что ИИ забывает всё между запусками, поэтому память должна быть на диске, а не в контексте.

Именно автоматизации превращают разовый запуск в настоящий цикл. В Codex вы создаёте автоматизацию на вкладке Automations: выбираете проект, промпт, частоту запуска и то, где он будет выполняться.

Результаты попадают в папку Triage, а те запуски, которые ничего не нашли, просто архивируются. OpenAI использует это внутри для ежедневной сортировки задач, подготовки commit-отчётов и поиска недавно внесённых багов.

Claude Code достигает того же через планирование и хуки: /loop запускает промпт или команду с заданным интервалом, можно настроить cron-задачу, хуки на разных этапах жизненного цикла, или отправить всё в GitHub Actions.

Существует ещё одна важная примитива: /goal — в отличие от /loop, который повторяется по расписанию, /goal продолжает работу, пока не выполнится заданное условие, причём после каждого шага отдельная небольшая модель проверяет, завершена ли цель.

Когда запускается больше одного агента, файлы начинают конфликтовать. Git worktree решает эту проблему: это отдельная рабочая директория в своей ветке, но с общей историей репозитория. Codex и Claude Code поддерживают эту изоляцию — либо встроенными средствами, либо через флаг --worktree.

3. Навыки (Skills): чтобы не объяснять проект каждый раз заново

Навык — это папка с файлом SKILL.md, содержащим инструкции и метаданные, а также опционально скрипты, справочные материалы и ресурсы. Codex вызывает навык по $название или /skills, а иногда и сам, когда задача соответствует описанию навыка. Claude Code делает то же самое.

4. Плагины и коннекторы: чтобы цикл касался реальных инструментов

Цикл, который видит только файловую систему, слишком мал.

Коннекторы на основе MCP позволяют агенту читать трекер задач, запрашивать базу данных и вызывать API. Плагины упаковывают коннекторы и навыки вместе, чтобы они могли использовать ваши настройки целиком.

5. Суб-агенты: разделяем созидателя и проверяющего

ИИ, написавшая код, слишком снисходительна к своей собственной работе. Второй агент с другими инструкциями (и иногда другой моделью) ловит ошибки, которые первый сам себе наговорил.

Что цикл всё ещё не делает за вас:

Цикл меняет работу, но не удаляет вас из неё. Проверка всё равно остаётся за вами. И если цикл работает без присмотра, он также и совершает ошибки без присмотра.

Ваше понимание тоже страдает, если вы ему это позволяете: чем быстрее цикл поставляет код, который писали не вы, тем больше разрыв между тем, что существует, и тем, что вы на самом деле понимаете.

И, наконец, удобная поза «наблюдателя» опасна тем, что очень легко перестать иметь своё мнение и просто принимать то, что выдаёт цикл.

Цикл не знает разницы. Вы знаете.

Всё дело в поиске: а) правильного б) Баланса

Постройте цикл. Но постройте его как тот, кто намерен оставаться инженером/продактом, а не просто нажимателем кнопки

Подписывайтесь на Telegram Product Management & AI.