Loop Engineering 重在让 Agent 持续进化

视频将 Loop Engineering 描述为 Prompt Engineering 与 skill 之上的持续优化方法：不是让 Agent 机械循环，而是把高频任务沉淀为可追溯、可评估、可自我迭代的闭环。以视频封面制作为例，作者建议保留候选截图、设计理由和人工否决原因等 trace，并以“获得满意结果需要多少轮、多少候选图”衡量闭环是否进步，而非只给单次成品打分。

可借鉴之处在于：先选择高频且能获得明确人工反馈的任务，保存复盘所需的关键过程数据，再把迭代轮次、返工量等过程指标纳入评估。视频也提醒，问题不应一概归因于 skill；应区分 Agent、harness 与业务流程层面的原因，避免把大量个案规则堆进 skill，导致其冗长且效果下降。

边界与风险是：该内容主要是经验性框架，没有给出可复现实现、基准数据或具体产品。人工审美类反馈往往主观且成本高，轮次减少也未必代表最终质量、合规性或长期稳定性提升；trace 留存还需控制敏感素材、日志噪声与数据保留范围。