Loop Library：让 AI 自己发现你的重复劳动

你有没有过这种体会：用 AI 编程工具时，反复在做同样的事，修生产环境的报错、补文档、加测试、优化某个慢页面……每次都是临时起意，prompt 从头写，结论丢了又重来。

项目背后的 Forward Future 团队最近在 X 上重点介绍了它的新功能，专门解决这个问题。核心想法一句话能说清：把一次性的 prompt，升级成带反馈的"循环"（loop）。

更狠的是，新出的 Lazy Loops 功能会自动翻你的代码库和聊天记录，找出你重复在干的活，直接帮你设计成可复用的 loop。

这个项目叫 Loop Library，仓库 Forward-Future/loop-library。今天就来拆它。

从一次性 prompt 到带反馈的循环：Loop Library 的核心思路

一、先搞懂：什么是 loop？

很多人第一次接触这个概念会懵：loop 是循环？for 循环？事件循环？都不是。

这里的 loop，指的是一种带反馈的 AI 工作剧本。普通的 prompt 让 agent 做一件事一次；loop 则让 agent 从结果里学习，再决定下一步。

举个 README 里的对比例子，一目了然：

普通 prompt（一次性）：

让这个网站变快。

loop（带反馈）：

找到最慢的页面，做一个聚焦的改进，然后重新测量。只有确认有帮助才保留这个改动。重复这个过程，直到每个页面都达标，或者再改一轮已经没有明显提升。

看出区别了吗？普通 prompt 是"开一枪"，loop 是"打一枪看看靶，调整，再打"。

用作者的话说：

把 loop 想成一个内置了反馈的 playbook。当第一次尝试大概率不是最终答案时它才有用，比如修生产错误、提升测试覆盖率、做产品评审、让文档保持最新。

一个好的 loop 要回答四个问题

Loop Library 给的标准很简洁。一个好的 loop 必须说清：

目标：agent 想完成什么？
验证：它怎么知道最新一次尝试成功了？
学习：它该拿学到的怎么办？
停止：什么时候该结束，或者求助？

这四问是整个体系的灵魂。后面所有功能都围绕它们展开。

二、为什么 loop 比 prompt 强

AI agent 动得很快，但一个开放式指令（"持续优化这个"）给它留了太多猜测空间。loop 做的事，是给工作一条清晰的终点线和一致的判断标准。

这让工作变得更容易信任、也更容易重复：

agent 可以对比结果，而不是靠"感觉对了"
保留真正有效的改进，而不只是"做了改动"
成功或停滞时主动停下
同一个 loop 可以被另一个人或另一个 agent 直接复用，不用从头搭工作流

但作者很清醒地强调了一句：

Loops 不是允许 agent 无限跑下去的许可。最好的 loop 是刻意设了边界的，包含真实的检查、清晰的停止点，以及需要判断或批准时把控制权交还给人的时刻。

这一点特别重要。很多 AI 自动化的翻车，就是因为没有"该停就停"的机制。

三、Loop Library 的两部分

仓库里其实有两样东西，别搞混：

部分	是什么	在哪
Loop Library 网站	公开目录，任何人/任何 agent 都能浏览已发布的 loop、阅读、复制 prompt。无需安装。	在线网站 + `site/`、`worker/` 目录
Loopy skill	可选的安装式向导，帮 AI agent 发现、查找、审计、修复、定制、运行、复盘、发布 loop。	`skills/loopy/` 目录

一句话：网站是图书馆，Loopy 是和图书馆打交道的引导员。 你可以只逛网站不装 Loopy；装了 Loopy 才有那套引导式工作流。

有意思的是，没装 Loopy 的 agent 也能直接用。Loop Library 提供了四种公开格式让任何 agent 接入：

agent 指南页（网页）
agent 指令文件（llms.txt）
JSON 目录（catalog.json）
纯文本目录（catalog.txt）

也就是说，这是个对机器友好的开放目录，不绑定特定工具。

四、Lazy Loops：让 AI 替你发现重复劳动

这是官方重点介绍的新功能，正式名叫 Discover（发现），俗称 Lazy Loops（懒惰循环）。

它的逻辑很直接：

Discover 会翻遍你的代码库和聊天记录，找出你潜在在重复做的事，然后直接帮你设计成 loop。

具体怎么做？从源码里的 discover.md 工作流能看到完整流程，分三步：

Discover（Lazy Loops）的三步工作流：查证据、判断排序、转成 loop

第 1 步：检查证据

它只看你授权范围内的东西：

代码里：脚本、CI/部署配置、维护命令、测试、issue 模板、runbook、重复的生命周期模式。注意，"长得像的函数"只是重构信号，不算 loop 的证据。
聊天记录里：找出已完成的动作和结果。即使措辞不同，语义等价的工作会被归成一类。数的是"不同的事件发生次数"，而不是"同一个事件被讨论了几遍"。
交叉验证：聊天记录里的说法，会尽量和代码库/运行时核对，因为聊天记录可能过时、残缺或记错。

第 2 步：判断和排序候选

这是最讲究的一步。"重复"不等于"适合做成 loop"。一个候选要被认可为"loop 形状"，必须同时满足：

有可观察的重复事件或状态
有能根据新反馈调整的下一步动作
有判断动作是否有效的可观察检查
有有界的范围和合适的停止条件（成功 / 无操作 / 受阻 / 需批准 / 无进展）

而且有严格的重复证据门槛：

聊天记录里，至少要有两次不同的事件发生才能叫"重复"。只有代码模式、没有运行历史的，只能叫"潜在 loop"，不能叫"已证明的重复"。

还会主动拒绝这几种：一次性迁移、直线型清单、模糊目标、再跑一轮也拿不到新证据的任务。

第 3 步：把最佳候选转成 loop

先查公开目录，有现成的强匹配就改造而不是重造
候选势均力敌时，给个排序清单让你选
从证据里推导出触发条件、新鲜观察、有界动作、可复现验证、记录方式、终止行为
跑一遍强制的"成品预检"，修掉实质性问题
交付时标注是"未发布设计"还是"改造"。如果没候选合格，就干净地报告"无操作"，绝不硬造一个 loop

这个"宁可说没有，也不编一个"的态度，是这个项目最让人放心的地方。

五、Loopy 的八条路径

装了 Loopy 之后，它能走八条路。不需要记术语，说人话描述需求就行：

路径	干什么	示例说法
Discover 发现	扫代码库/聊天记录找重复工作，转成 loop	"分析这个仓库和我聊天记录里重复干的事，把最好的候选做成 loop"
Find 查找	搜公开目录，推荐最多 3 个已发布 loop（不运行）	"找个保持文档最新的 loop"
Loop Doctor 体检	审计你贴的 loop，修掉实质性问题	"审计这个 loop 并只修实质问题：[贴 loop]"
Adapt 适配	把现成 loop 改成你的工具、限制、成功标准	"把'夜间文档清扫'适配到这个仓库和我们现有的检查"
Craft 定制	一次问一个问题地访谈你，从零造一个 loop	"访谈我，帮我造个把客户反馈变成已验证修复的 loop"
Run 运行	有界地跑 loop，返回带证据的回执	"在这个仓库里跑'夜间文档清扫'"
Debrief 复盘	分析跑完的回执，推荐最小的改进	"复盘这个回执，告诉我要不要改 loop"
Publish 发布	查质量和重复度，批准后才提交到 Loop Library	"准备把这个 loop 发布到 Loop Library"

每条路都有清晰的边界。比如 Run 明确说：

运行 loop 只授权"普通、可逆、明显在范围内的动作"。它不授权排程、改生产、破坏性操作、购买、隐私敏感访问或外部消息。

这种"把权限讲死"的设计，是给生产环境用的底气。

六、85 个已发布 loop 长什么样

光说不练假把式。Loop Library 网站上现在挂着 85 个公开发布的 loop（发文前核验目录所得），覆盖工程、内容、评估、运营、设计等类别。挑几个有代表性的感受下：

工程类（主力）

001 · 文档清扫（The docs sweep）

触发：实现有改动可能让文档落后时 Prompt：需要文档 pass 时，全面 review 代码库，确保所有文档反映当前实现。更新过期文档，验证改动，然后开 PR。

003 · 50ms 页面加载 loop（The sub-50 ms page-load loop）

Prompt：持续优化代码速度。每次重大改动后，在相同可重复测试条件下测量所有页面的加载性能。重复直到每个页面都在 50ms 内加载完成。

004 · 生产错误清扫（The production error sweep）

Prompt：review 生产日志找错误。发现可操作的问题就追溯到根因、修复、验证、开 PR。没有可操作错误就停手，不做任何改动。

005 · 100% 测试覆盖率 loop

Prompt：加测试直到我们有 100% 测试覆盖率。验证：完整测试套件以 100% 覆盖率通过。

注意这几个的共同点：每条都有明确的 Prompt + 验证标准，不是"尽力而为"的模糊指令。

内容类

006 · SEO/GEO 可见性 loop：跑技术爬虫和搜索可见性检查，按预期影响排 Gap，修最高杠杆的问题，再重跑同样的爬虫和基准测试，直到没有高影响 Gap 剩下。

018 · 产品更新播客 loop：把产品更新自动转成播客内容。

026 · 无限标题党缩略图 loop（Infinite Clickbait thumbnail）：持续生成和测试 YouTube 缩略图。

评估类

009 · 质量连胜 loop（quality streak）：测真实场景，挂了就记录、加回归测试和基准覆盖、修复、重启连胜。连续过 N 个才停。失败的每一次都永久地改进测试和基准套件。

010 · 全产品评估 loop：穷举式端到端 QA：盘点每个面向用户的功能、角色、路由、按钮、输入框、模态框、状态、工作流，定义验收标准，像真实用户一样测，记录每个 bug 带复现证据。

一些有意思的

023 · 自我提升冠军 loop：让 AI 自己和自己的历史版本对打
027 · builder-reviewer 双角色 loop：一个 agent 写，一个 agent 审
042 · Axelrod 子代理竞技场：多 agent 博弈
070 · 文献检索验证 loop：验证 AI 做的文献检索是不是真有那些论文

这 85 个 loop 本身就是一个绝佳的学习样本：看别人怎么把模糊工作拆成有界的、可验证的、会停止的循环。

七、怎么装、怎么用

安装（三选一或全装）

bash

# Codex
npx skills add Forward-Future/loop-library --skill loopy --agent codex -g -y

# Cursor
npx skills add Forward-Future/loop-library --skill loopy --agent cursor -g -y

# Claude Code
npx skills add Forward-Future/loop-library --skill loopy --agent claude-code -g -y

一行命令搞定。-g 是全局可用，-y 是跳过交互确认。

调用

不同平台略有差异：

Codex：输 /skills，选 Loopy，再输请求；或直接 $loopy 你的需求
Cursor：Agent 聊天里输 /，搜 loopy，选中再加请求；或直接 /loopy
Claude Code：/loopy 你的请求

一个真实例子

想让 Loopy 发现你代码里的重复工作，在 Codex 里这么写：

$loopy 分析这个代码库和我的聊天记录里的重复工作，然后把最强的候选变成可靠的 loop。

它会自己去找、去判断、去设计，最后给你一个能直接用的 prompt。

八、背后的技术细节（给爱钻研的）

Loop Library 的架构其实挺现代：

网站：静态站点（site/），但 loop 数据存在 Cloudflare Worker 后端的 SQLite Durable Object 里，不进 Git
发布流程：用 npm run loop:publish 写一次数据库，同时生成首页、详情页、JSON/MD/纯文本目录、feed、sitemap，一次写入，多格式输出
版本管理：每次发布都有只追加的修订历史，可以回滚
投票：读公开，但投票/改票/撤票需要 GitHub OAuth 登录，用 HMAC 签名 + 浏览器 nonce 的安全状态值
Loopy skill：一个标准 SKILL.md（13KB）+ 五个 references 文档（discover/audit/run/debrief/publish），每条路径都指向对应的工作流文件

这种"数据库驱动、多格式导出、agent 友好"的设计，让 Loop Library 既能被人浏览，也能被任何 AI agent 直接消费，catalog.txt 那种纯文本目录就是给 agent 喂数据用的。

九、为什么这个项目值得你花时间

读完整个仓库和 85 个 loop，我认为 Loop Library 解决的是 AI 编程里一个被严重低估的问题：

大家都在研究"怎么让 AI 写更好的代码"，但很少有人研究"怎么让 AI 的工作可复现、可信任、可传承"。

Loop 的价值恰恰在这三点：

可复现：同样的 loop，换个 agent 也能跑出类似结果，因为验证标准和停止条件写死了
可信任："该停就停""该问就问""只做可逆动作"，权限边界讲得很死
可传承：85 个公开发布的 loop，就是 85 个被验证过的工作方法论，任何人都能 fork

而 Lazy Loops（Discover）最妙的地方在于，它把"发现重复劳动"这个本来要人自己反思的活，外包给了 AI。你不用主动想"我每天在重复什么"，让 AI 翻你的代码和聊天记录，它比你更清楚。

这大概就是官方给这个功能取名 Lazy 的双关含义：不是偷懒，而是让 AI 替你看见你自己看不见的重复。

十、怎么拿

仓库：github.com/Forward-Future/loop-library
网站：signals.forwardfuture.com/loop-library/
纯文本目录（agent 友好）：signals.forwardfuture.com/loop-library/catalog.txt
JSON 目录：signals.forwardfuture.com/loop-library/catalog.json
协议：MIT License，Forward Future 出品

不需要装任何东西就能逛网站、复制 85 个现成 loop 的 prompt。想让 AI 帮你发现和定制，再装 Loopy skill。

一句话总结：prompt 让 AI 做一次，loop 让 AI 做对、做好、还能再来一次。

本文基于 Forward Future 的 Loop Library 项目（仓库 Forward-Future/loop-library）整理，线上目录经核验共 85 个已发布 loop。在循环工作流这个方向上，社区还有盘问式工作流设计、循环工程方法论等相近探索，思路可以互相印证。

字节笔记本