返回列表
2026年7月19日 下午12:55

假如你从7月开始学AI大模型！#人工智能 #大模型 #ai #计算机 #程序员

原始影片

學習筆記：AI 大模型學習路線與循環工程 (Loop Engineering) 全解析

TL;DR

AI 開發已從單純的「提示詞工程」進化到「循環工程（Loop Engineering）」，開發者的角色也從手寫指令轉變為設計「自主循環系統」的架構師。

快速結論

目前的 AI 技術學習已進入第四階段：循環工程。其核心在於建立一套讓 AI 能自主決策、執行、觀察結果並自我修正的系統，而非依賴人工手動輸入提示詞。這類系統能大幅提升開發效率，解決傳統開發中「人類成為效率瓶頸」的問題。

開發者需掌握「內外循環」的邏輯：內循環是 AI 本身的推理與執行，而外循環則是開發者設計的調度系統（負責分配任務、環境隔離與驗證結果）。成功的關鍵在於設計高可靠的觀察與調整機制，讓 AI 在安全邊界內透過不斷的失敗與修正達成目標。

然而，自主循環也帶來了「理解債」與「認知投降」的風險。開發者不能因為 AI 自動化程度高就放棄審核程式碼，必須堅持人工複審（Human-in-the-loop）與最小權限原則，以確保系統的安全性與可控性。

這支影片在說什麼

這支影片為 2024 年（影片中提及 7 月開始學習）想投入 AI 大模型領域的學習者提供了一條清晰的學習路徑。內容從基礎技術延伸至最前沿的「循環工程」，旨在解決複雜項目中人工操作效率低下的問題，適合從零基礎的小白到尋求技術突破的資深開發者參考。

最重要的 3-5 個重點

  1. 學習四階段演進：從最初的提示詞工程 (Prompt Engineering)、上下文工程 (RAG)、工具鏈架構工程，演進到目前的「循環工程 (Loop Engineering)」。
  2. 從「手藝人」轉向「架構師」：開發者的價值不再是寫出完美的提示詞，而是設計一套能讓 AI 安全運轉、自我修正的外部系統（外循環）。
  3. 失敗是寶貴的上下文：在循環工程中，執行失敗的報錯訊息並非壞事，而是觸發系統下一輪自動迭代、最終達成目標的最重要資訊。
  4. 風險管理與工程實踐：引入自動化 AI 代理時，必須具備環境隔離、安全邊界（分級權限）與分層記憶等技術支撐，以防止系統失控。

知識架構

  • 學習路線圖
    • 第一階段：基礎（神經網路底層原理）。
    • 第二階段：提示詞工程 (Prompt Engineering)。
    • 第三階段：核心技能 (RAG 知識庫、Agent 自主決策)。
    • 第四階段：循環工程 (Loop Engineering) 與應用框架。
  • 循環工程體系
    • 內循環 (Inner Loop)：AI 代理的感知、推理、執行。
    • 外循環 (Outer Loop)：系統級調度（任務分配、環境準備、驗證、狀態記錄）。
  • 外循環運作五節點：意圖 (Intent) → 搜索上下文 (Context) → 行動 (Action) → 觀察 (Observation) → 調整 (Adjustment)。
  • 工程落地六大要素：自動化觸發、隔離環境、安全邊界、工具連接 (MCP 協議)、角色分離、分層記憶。

關鍵概念

  • 循環工程 (Loop Engineering)：不關注單一指令，而是設計系統讓 AI 持續創造結果、自動閉環整個過程。
  • 理解債 (Understanding Debt)：AI 產出程式碼的速度遠超人類閱讀速度，若不逐一審查，開發者將失去對系統的掌控。
  • 認知投降 (Cognitive Surrender)：過度依賴 AI 的自動運行，導致開發者放棄了架構思考與風險驗證。
  • MCP 協議：用於擴展 AI 工具能力的協議，讓 AI 能連接本地文件、Slack、GitHub 或遠端數據庫。
  • 分層記憶 (Layered Memory)：將 AI 記憶分為核心狀態、半持久加載（文檔/API）及警供搜索的歷史日誌，解決上下文窗口限制。

重要例子與細節

  • 導航類比：以前寫提示詞像看紙本地圖，走一段停

一下問路；現在的循環工程像手機導航，設好目的地，系統會自動規劃並在走錯時重新計算路線。

  • 網約車類比：AI 像專業司機（內循環：自己看紅燈踩煞車），開發者則是調度平台（外循環：指派單子、跑數據驗證）。
  • 安全分級範例：NPM Test 是安全指令可放行；Git push -f 是高風險需人工確認；rm -rf（刪除）是危險指令需直接攔截。
  • 角色分離：將 AI 拆分為「Explore Agent（規劃檢查）」與「Code Agent（執行修改）」，避免模型混亂。

可學習的洞察

  1. AI 不是工具，是進程：將 AI 視為可以被調度、自動化運行的系統組件，而非單純的對話對象。
  2. 失敗驅動開發：在自動化循環中，善用測試報錯作為 AI 修正方向的精確指引。
  3. 模型不記得，但系統記得：AI 模型會遺忘，但透過乾淨的代碼庫、文檔與測試案例，系統可以在任何時刻為 AI 提供精準的上下文。
  4. 最小權限與小任務原則：將宏大目標拆解成可驗證的小任務，並限制 AI 的變更範圍，是提高系統可靠性的黃金法則。

可行動的整理

  • 建立學習計畫：前三個月專注於 RAG 與 Agent 開發，進階學習循環工程。
  • 實踐循環設計：嘗試在開發流程中加入 Pre-Hook（環境準備）與 Post-Hook（自動測試）的自動化鏈路。
  • 建立安全規範：定義 AI 的權限分級，特別是針對寫入與刪除操作的阻斷規則。
  • 導入 MCP 協議：研究如何透過 MCP 協議擴展現有 AI 工具的連接能力。
  • 複審機制：即便測試全過，也必須建立強制性的人工代碼複審 (Code Review) 流程。

複習問題

  1. 循環工程 (Loop Engineering) 與傳統提示詞工程最大的差別是什麼？
  2. 什麼是「外循環」？它在 AI 自主系統中扮演什麼角色？
  3. 影片提到的「理解債」會對軟體開發帶來什麼長遠風險？
  4. 當 AI 陷入「無限空轉」時，通常是什麼原因造成的？該如何解決？
  5. 為何在循環工程中，角色分離（如拆分 Planner 與 Coder）能提升表現？

待確認資訊

  • MCP 協議細節：逐字稿中提到 MCP 協議可連接各種工具，但未詳述具體實作方式（[資訊不足]）。
  • 2026 年的時間點：逐字稿開頭提到「從 2026 年 7 月開始學習」，不確定是口誤或是對未來的預測（[資訊不足]）。
  • 具體教學資源：影片提到的「學習路線及配套視頻教程」需私下聯繫獲得，筆記中無法提供具體內容。

觀看原始影片