本文永久链接 – https://tonybai.com/2026/07/15/own-the-outer-loop
大家好，我是Tony Bai。
在前面的文章中，我们先后探讨了 Andrej Karpathy 的《LOOPS.md》、20 个循环设计模式以及如何用 Claude Code 实现循环落地。我们已经证明：“Loop Engineering（循环工程）”是实现工业级 Agent 的唯一解。
但是，一个巨大的灰犀牛正迎面撞来：
当 Agent 拥有了长期记忆、学会了自我修复、能够以人类无法审核的速度并跑成百上千个循环，并在几天内悄悄写出成千上万行代码时——人类，该如何对一个自己已经无法完全看懂的系统负责？
谷歌前 Chrome 团队工程与开发者关系负责人、现Google Cloud AI 团队核心 Addy Osmani 的一篇长文《Own the Outer Loop》，为喧嚣的 Agent 热潮泼了一盆极其冷静、却又高屋建瓴的冷水。
Addy 提出了一个划时代的范式大转移：
AI 负责运行“内环”（Inner Loop，即执行、生成、测试、报告的‘能力环’）；而人类工程师必须死守并主导“外环”（Outer Loop，即决策、验证、批准、担责的‘信任环’）。
如果说前面的三篇文章解决的是“如何让 Agent 跑得更快、更稳”，那么本篇解决的，则是“人类如何在 AI 吞噬软件开发时，依然守住我们作为工程师的尊严、自主性与不可替代性。”
这不仅是一篇技术架构指南，更是一篇关于 AI 时代“新型工程师”职业生涯如何重塑的黄金宣言。
以下为Addy Osmani文章的译文全文，我们一起来学习一下：
在过去的一年里，关于智能体工程（Agentic Engineering）的行业讨论，已经迅速演进到了驾驭框架（Harnesses）、循环（Loops）、智能体集群（Fleets）以及软件工厂（Software Factories）。
我个人的核心观点是：工程师必须掌控“外环”（Own the outer loop）——也就是对这些系统承担最终的“受托责任/问责性（Accountability）”。随着像 Fable 和 GPT-5.6 这样无比强大的模型陆续问世，这一观点只会变得愈发无可争议。
Agent 带来了巨大的生产力杠杆，而巨大的杠杆必然伴随着沉重的义务。必须有人能够精确地解释：系统到底改动了什么、为什么这种改动是安全的，以及一旦改错了会带来什么后果。
否则，这些 Agent 的行为在商业社会中就根本无法被合理解释。如果无法解释，企业从一开始就根本不敢把这些系统投入生产实战。
因此，我想重点拆解三个核心术语：
- 第一个是 质量（Quality）：指我们在放开系统自主运行前，所部署的所有验证手段。这些验证手段会产出证据（Evidence）。
- 第二个是 裁决（Verdict）：指在工作成果正式进入我们的下游系统前，由人类做出的最终决策。我是这些内容的“总制片人”。我带领着团队，而所有工作成果最终都是以我的名字签署并发布的。模型可以写出具体的每一行代码，但最终的“裁决”只能由我来做。未经我的决策，我团队的工作成果绝不允许进入下游依赖系统。这里的所谓“裁决”，就是生产环境的最终决策：我们到底应该发布（Ship）、拦截（Block）、重定向（Redirect）、收窄模型的响应范围、追加安全护栏，还是直接无情否决？
- 第三个是 可解释性/可追责性（Answerability）：指一种铁打的保证——如果有人问起，我随时能够出场解释为什么系统会做出这样的行为。
用另一种方式来表达：
我们所构建的 Agent（我将其定义为：一个基础模型 + 一套由文件、工具、记忆、技能、沙箱、权限、可观测性和自愈机制构成的驾驭框架）是运转 循环（我将其定义为：调查（investigation,）、执行、验证、重复）的载体。正是这两者的结合，最终构建出了我们的软件工厂（Software Factory）。
底层的模型仅仅是引擎。而驾驭框架（Harness）——包括工具、记忆、权限、沙箱、测试集——则是你围绕引擎建造的“车身”，有了车身，引擎才能安全地开上真实世界的道路去干重活。
将驾驭框架包裹进一个可重复的闭环周期中：调查、执行、验证、重复。这就是如何将一次偶然的优秀运行，转化为一个可以被闭眼信赖、可重复生产的流程。在这个闭环中，必须由一个独立的校验机制——而不是模型自己的口头保证——来决定工作成果何时才算合格。
现在，让我们并跑成百上千个这样的循环。所谓软件工厂，就是将循环进行规模化放大（Loops at scale）——Agent 在工厂内部没日没夜地生产，而人类在边界上掌控决策权。
而在整个工厂的核心地带，存在着一条极其严苛的边界，它清晰地隔开了系统内部（Inside the system）与系统外部（Outside the system）。
- 系统内部：我们收集输入（来自产品团队的意图、此前已发布成果的知识、近期的系统故障日志，或是来自用户的具体反馈）。Agent 循环在内部负责调查任务、制定规划、执行方案并自我验证结果。
- 跨越边界：随后，证据（Evidence）跨越这条边界，递交到系统外部。由掌控下游系统的人类来审查这些证据，并做出是否批准继续推进的最终决定。
朋友们，这正是我们试图推动的范式大转移。在过去，我们的 Agent 仅仅在执行“执行环”中的某一个细小步骤。而今天，它们已经能自主运转整个“内环”（Inner execution loop）。
而工程师，必须成为“外环”（Outer loop）的主宰。
在系统内部，我们的 Agent 实际上只在做一件事：干活（Work）。它们调查、执行、测试并汇报它们的结果。这属于模型的能力（Capability）范畴。正如我们所说，这样的未来已经轰然降临。
而在系统外部，只存在唯一的事务：自主权（Agency）。去决定、去验证、去批准、去承担后果的自主权。
归根结底，我们讨论的依然是代码。但这些代码必须运行在合理的框架内，并由真正知道自己在做什么的专业人类来把关。
AI 生成代码的比例早已不再是边缘毛利。在 Sonar 进行的 2026 年行业调查中，当我们询问各大团队“代码提交（Commits）中有多少比例是 AI 协助生成的”时，这个数字已经变得非常惊人：42% 的生产环境提交代码已经由 AI 生成或由 AI 提供了深度协助，并且全行业都预期这一比例还将持续暴涨，根本没有见顶的迹象。
换句话说，创造（Creation）正在变得空前廉价。而这个时代真正稀缺的资产，变成了审查（Review）、验证（Validation）、理解（Understanding）以及系统维护（Maintenance）。
我们提升大模型生成速度的脚步，远远超过了我们构建控制机制的脚步。
这导致我们面前出现了一个巨大的“信任-验证鸿沟（Trust-verification gap）”。
我们交谈过的绝大多数开发者依然对 AI 生成的代码抱有警惕和不信任，然而，极少有人能在他们的工作流中，系统、持续地把这种不信任转化为严格的校验流程。
这是一个极其危险的境地。我们急需更加廉价、直观且高效的方法，来验证 AI 代码的可靠性。
如果你翻阅 GitLab 2026 年 6 月发布的报告，你会发现合规治理（Governance）的核心矛盾已经转移了。报告显示，代码审查和验证已成为当前大模型研发链路中最大的瓶颈。更令人担忧的是，合规和治理往往滞后地发生在代码生成之后——也就是说，我们在已经接受了风险、甚至已经丧失了对代码控制权的时候，才想起来去治理它。
在今天，这已经不仅仅关乎于“控制”。它关乎于我们该为系统设定怎样的约束条件（Constraints），关乎于我们如何通过客观的证据（Evidence）来核验工作，以及我们如何让团队承担起责任。
它关乎于：究竟由谁，来对 AI 生命周期中的哪一部分负责？
这正是我们必须死守“人类在环（Human-in-the-loop）”的核心论点：系统追溯（Provenance）、人类意图（Intent）以及代码所有权（Ownership），必须拥有一个一等公民级的交互界面。
因此，这一系列讨论的核心，最终落在了过程（Process）与质量（Quality）的根本区别上。
质量，在字面意义上，就是“反向压力”（Back pressure）。
我们必须明确一件事：我们绝对不能授予 Agent 它们有能力去行使的、无限制的自主权。我们必须精确地克制放权，确保系统内部拥有足够的“反向压力”，以便我们随时可以叫停它们、约束它们、核验它们的工作，以此捍卫人类的控制底线。
在传统软件工程中，有无数条信号来确保我们正在做正确的事：类型检查、测试集、Git Hooks、沙箱限制、审计日志、监控系统。我们的工程体系中充满了这样的信号，它们的设计初衷就是提供足够的“反向压力”，来让系统保持诚实。
只要我们的 Agent 能够持续发出这些相同的工程信号，我们就能信赖现有的工程体系，来对 AI 提供恰当的反向压力。
信赖系统，绝不意味着我们要把人类从环路中剔除。
它仅仅意味着，人类不再需要苦哈哈地蹲守在繁琐执行的“内环”里。我们应该将精力升维，死守在四个至关重要的“外环”中：
- 约束环（Constraints loop）：我们应该设定怎样的输入、系统架构、指令集，或者系统不变式（Invariants）？
- 抽样环（Sampling loop）：我们应该以多大的比例、如何抽取 AI 产出的结果进行人工复审？
- 审计环（Audit loop）：我们需要留存哪些客观证据，以及如何确保我们的审计日志是绝对有效、可追溯的？
- 所有权环（Ownership loop）：在生产环境的边界上，我们究竟该对哪一部分业务承担最终的所有权？
只要牢牢掌控住外环，人类就不需要去插手具体的内环。
因为，Agent 交付代码的速度，已经远远超过了你肉眼审核的速度。
此时，整个行业最稀缺的资源，变成了人类最核心的决策和审美品味（Human judgment）——由日志和测试等质量信号辅助支撑的、人类独有的判断力。
OpenAI 2026 年关于“智能体与未来的工作”的研究指出，在实验环境中，Agent 跨越数小时长周期的委托执行能力已经完全成熟。当任务周期被拉长到数小时、且成百上千个 Agent 并行运转时，廉价的生成能力已经失去了溢价，真正的稀缺品，变成了“可追责性（Answerability）”的委托授权。
这正是为什么“可追责性”必须成为核心。
因为当长周期 Agent 独自运转数小时，它在后台做出的成千上万个微小决定，本质上都是具有商业和技术后果的“决策”。而这些决策，是不可能全部被记录在案并塞回上下文的。你无法将每一次报错和改动都追踪回最原始的输入 Token。
如果你仅仅依赖于认为输出的结果就是当前问题的最佳解决方案，那么为了重建导致这一结果的决策链，你可能需要花费数百甚至数千小时的人工时间。
因此，我必须再次强调：“可追责性/可解释性（Answerability）”必须处于我们整个系统设计的绝对核心。
三大隐性认知成本
大模型在提高效率的同时，也带来了三个极易被忽视的隐性认知成本：
1. 认知妥协（Cognitive surrender）~ 盲目接受 AI 喂给你的任何东西
当你把工作委托给 Agent 时，虽然从表面上看，那是 AI 独立完成的。
但那本质上依然是你的工作。那是你的名誉、你的责任。
一旦代码在生产环境出现重大 Bug，承担损失的是你的公司，需要半夜爬起来改代码、写事故复盘的依然是你。
大模型的输出，在这一刻成了你的最终答案。而伴随而来的所有责任，也将由你一个人背负。
沃顿商学院的一项研究得出了一个令人警醒的结论：当 AI 给出正确答案时，皆大欢喜；但当 AI 给出错误答案时，依然有近四分之三（73%）的人毫无察觉地选择全盘接受，并且，他们展现出的自信心竟然比不使用 AI 时还要高。
2. 认知债务（Cognitive debt）~ 解决问题的理解力与记忆力的退化
当你把所有的思考过程 offload（转嫁）给 Agent 时，你其实是在剥夺自己大脑运转的机会。
在庞大复杂的代码库中进行抽丝剥茧的思考，虽然极度消耗体力和精力，但这正是你爬上技术学习曲线、建立肌肉记忆的唯一途径。
当你依赖 Agent 直接生成结果时，你拿到的，往往是一个你自己的真实能力根本写不出来的成果。随着 Agent 规划的周期越来越长、代码越来越复杂，AI 写出的代码与你对它的理解力之间的鸿沟就会像滚雪球一样越滚越大。
鸿沟在复合，债务在堆积。你重新去攀登这段学习曲线的认知成本，将呈指数级暴涨。
Anthropic 进行的一项随机对照实验得出了一个极其沮丧的结论：在针对代码的理解和吸收能力测试中，过度依赖 AI 写代码的工程师，其理解力得分比自己亲手写代码的工程师整整低了 17%（50分 vs 67分）。
3. 协调和管理税（Orchestration tax）~ 派生 Agent 很容易，但人类的精力根本无法被并行化
在今天，写几行控制代码去并跑成百上千个 Agent 变得易如反掌。但人类大脑的带宽，是无法并行的。
你需要纠偏 Agent 各种匪夷所思的幻觉行为、需要在它产出的大量代码中像淘金一样找出需要你关注的部分、需要指挥它先干哪个再干哪个、需要在放开运行前去反复核验你最关键的业务边界和最危险的架构假设……
在修补 legacy（老旧、棕地）代码库时，这种管理税会变得极其致命。因为遗留系统最真实的运行逻辑，从来不写在干净的文档里，而是写在历史交锋留下的伤疤里。这些伤疤，AI 读不懂。
修补方案：
- 在架构决策时，将“人类的注意力”作为最高级别的资源来规划。
- 通过 Git Worktrees、Scope 机制来解耦初始规划与最终生成代码之间的强绑定。
- 对无法在内环闭环解决的步骤，设置严格的“时间窗口（Time-box）”，超时立即中断并挂起。
- 对系统代码的改动，必须使用严苛的“Opt-in（准入授权）”机制。
职业生涯的黄金三角：Alpha、衰退与品味
在任何专业领域中，塑造职业高度与个人竞争力的，永远是这三个核心规律：
- Alpha（超额红利）：指的是当你做出最高价值的决策时，你与行业平均水平（在今天，即最前沿模型的能力上限）拉开的正向差值。
- Decay（技能衰退）：指的是那些曾经具备高壁垒、但由于技术的重复和普及，迅速退化为所有人都能轻易掌握的平庸技能。
- Taste（审美品味）：指的是在 Alpha 尚未形成、Decay 刚刚萌芽的阶段，你对行业风向最敏锐、最直觉的判断。品味，是在没有任何数据支撑和客观指标存在之前，你对“什么是好的产品/架构”所做出的直觉裁决（Judgment before the metric exists）。
Paul Graham 曾说过：当技术让任何人都能轻易制造任何东西时，“决定制造什么”就成了一切。*
Mitchell Hashimoto 则给出了品味在工程上的定义：在没有任何客观量化指标存在的前提下，做出高质量的主观定性判断（Making high-quality qualitative judgments）。
从现在开始，品味将驱动一切。所谓的 Alpha 转移，本质上就是人类审美品味的改变。而 Decay 之所以会发生，是因为全行业开始向着新的、更有品味的方向收敛。
下一步怎么做？
让你的品味“可操作化”（Operationalize your taste）。给它起一个明确的名字，将那些模糊、玄妙的直觉（Limbic），转化为清晰、可执行的规范与原则（Conscious）。在每一次项目评审和案例拆解中，将你的品味和背后的底层逻辑显式地向团队讲明白。
人类必须持续移动到价值链的最高端。如何移动？别只满足于“执行具体任务”，去教导任务、去系统化任务、去决定任务何时该做，去承担最终的结果。
人人都是开发者，但并非人人都是工程师。
只有当一个开发者愿意主动张开双臂，去拥抱一套更严苛、更具纪律性的工程纪律——包括彻底且逻辑严密的理性推理、对约束条件与折中权衡（Trade-offs）的反复盘算、对潜在风险与敞口（Exposure）的敏锐识别，以及承载最终的、实实在在的问责责任时，他才真正蜕变为一名工程师。
在未来，人们将逐渐从繁琐的工程行政性工作中解脱出来，转型到伴随智能体工厂成熟而诞生的一系列全新角色中。这些角色与传统手工敲代码的“匠人精神（Craft）”解耦，但对所有权的划分变得无比清晰：
- 原型设计者（Prototype）
- 系统构建者（Build）
- 系统清道夫（Sweep）
- 系统扩建者（Grow）
- 系统维护者（Maintain）
人类不仅死守着外环，也死死捍卫着技术价值链的另一端：决定什么事值得做、设定系统约束条件、裁决证据是否足够充分，以及对最终结果抱有纯粹的、真实的关切（Caring for the result）。
无论是带领单支团队还是上百支团队，这是唯有有血有肉的人类，才能扼守住的最后边界。
因为，受托责任（Accountability）才是规模化软件工厂的唯一基石。
没有最终的责任担当，就没有任何业务规则。如果无法对一个决策的后果负起全部责任，那么，高自主权的 Agent 系统带给企业的，将不会是效率，而是一场彻底的灾难和混乱。
一个奇巧的技巧，其生命周期可能只有大模型的下一次发布那么短（One release）；但你签署在工作成果上的名字（Your signature），却能支撑起你一生的职业生涯。所谓“签名”，就是你印在工作成果上的声誉，它代表着你愿意为发布出去的代码提供名誉担保。
技能（Skills）只能帮你兑现当前的效率杠杆；而唯有责任担当（Accountability），才能将这种杠杆，转化为长期的职业信任。
唯有人类可以做出真正的选择。也唯有人类承接选择的代价。
我们可以让 Agent 依照某套既定政策，去安全地做选择、做路由分发、做分支合并、做异常挂起，但它永远无法替你承担系统跑崩后的后果。
未来的每一个代码库，或许都应该配备一份显式的“责任合同”（Accountability Contract），在代码合入前，白纸黑字地固化以下内容：
- 在接受代码变更时，双方达成了怎样的共识 Checklist？
- 有哪些客观证据（Evidence）支撑了这项决策？
- 究竟由谁，来为这次代码变更承担最终责任？
- 如果变更被拦截，当前系统的健康状态如何？
这才是人类工程师最核心的“三大权力资产”：
- 你的注意力与品味
- 你掌握的证据、做出的裁决与所有权
- 你独特的 Alpha 红利
高自主权（High Agency）在当下的重新定义
在 Agent 时代的工作流中，高自主权代表着这样一门艺术：精确定位何时该放权给 AI、何时该入场审查、何时该果断叫停，以及何时该对最终结果承担所有权。
如上图，人类在“自主权阶梯”上，由低到高分布如下：
【自主权天梯 (The Agency Ladder)】：
【最高梯队：鉴别】 -> 7. "找到了 Bug，评估后发现根本不值得去修，不浪费时间，走，做下一件事。" (Discernment)
▲
【第六梯队：解决】 -> 6. "找到了 Bug，已经把它修好了，同步你一声。" (Resolve)
▲
【第五梯队：推荐】 -> 5. "...这是我想出的几种解法，建议用这一种。" (Recommend)
▲
【第四梯队：提案】 -> 4. "...并且，这是我想出的几种具体的修补代码。" (Propose)
▲
【第三梯队：诊断】 -> 3. "这是当前的 Bug，以及导致它发生的底层因果关系。" (Diagnose)
▲
【第二梯队：执行】 -> 2. "把修补方案递给我，我来帮你合入并部署。" (Execute)
▲
【最低梯队：标记】 -> 1. "系统这里好像出了个问题。" (Flag)
处于自主权阶梯最高处的，不是无穷无尽的修 Bug，而是鉴别（Discernment）的能力：看一眼，判断它根本没有修的商业价值，优雅地略过它，去做真正重要的事情。
支撑现代化软件工厂的 12 根支柱
如何在遗留系统（Brownfield）中引入 Agent 循环，是整个工业界规模化落地最核心的战场。
在从零开始构建一个全新的系统（Greenfield）时，一切尽在你的掌控之中，你可以极其轻松地设计并部署完美的反向压力机制。
然而，当你试图在运行了数十年的、伤痕累累的遗留系统（Legacy System）里塞进一个高自主权的 Agent 时，游戏难度将瞬间拉满。
因为遗留系统承载着太多沉重的包袱：复杂的线上运行行为、客户对未来的预期、极其痛苦的迁移史、预算周期、心照不宣的默认假设、各种数据边缘情况、陈旧的手动操作手册，以及无数在历史折腾中留下、却根本没人有精力去照料的伤疤。
成为遗留系统的守护者，需要极其硬核、持久的系统工程能力（Durable engineering）。
人类必须出场，去将暗默的隐性知识（Implicit knowledge）提炼为硬性的代码约束条件（Explicit constraints）；确保这些认知能跨越团队和代际完美传递；将这些认知固化为标准化测试流程和规格定义；并将最终的执行结果，与铁证如山的客观证据绑定在一起。
在这个过程中，每一次失败，都会被当成下一次迭代的养料。因为大家都心知肚明—— 如果这个古老的系统失去了人类过去一直提供的温情照料，整个工厂将在瞬间崩溃。
新的工作，才是真正硬核的工作
随着自动化的规模化铺开，工作不仅不会变得无聊，反而会变得空前有趣。因为当那些低智商的、无聊的重复代码全部被 AI 扫进历史尘埃后，人们终于可以腾出精力，去创造全新的东西。
人类将倾注自己独特的 Alpha 和审美品味，去设计全新的 Agent 循环，并将它们接入到软件工厂的动脉中。
- 他们将构建优雅、原则清晰、充满理想主义光辉的全新系统；
- 他们将设计并实现前所未有的验证机制，把系统的可信度提升到全新的维度；
- 他们将悉心照料那些极其复杂、以至于必须由人类顶级智慧才能接管的棕地(遗留)系统；
- 他们将设计并调优更完美的“反向压力”机制；
- 他们将设计出全新的、更有灵性的 Agent 角色。
他们，将去构建“自主权”（Build agency）。
随着这套体系的成型，所有人都会意识到：这，才是真正硬核的工程（Real work）。
自动化消灭了旧的瓶颈，却在更高维度上，制造了全新、且极具含金量的瓶颈：系统规模化之后的协调成本、质量验证成本、长期维护成本，以及对产品走向的定性决策。
瓶颈正式从“我们能把这个写出来吗（Can we build this?）”转移到了“这个东西有资格存在于世界上吗，出了问题我们能否为此负责（Should this exist, can we answer for it?）”。
这正是我想带给整个行业的、能够规模化落地的智能体工程方法论。
在整个软件工厂中，存在着内环与外环。
- 内环（Inner Loop）：是具体干脏活累活的地方。内环循环被设计得高度自治、相互独立。请把所有的质量保证和自动验证机制，死死焊在内环内部。
- 外环（Outer Loop）：一旦你设计并验证了内环本身，你要做的唯一一件事，就是通过部署“反向压力机制”，去精确控制内环运行的速率和它能触碰的业务范围，以此赋予它受控的自主权。
然后，把人类放在他们最该在的神圣位置上——去做出那些最高维度的、决定生死走向的选择。
永远不要把“人类的理解力”当成最后发布时可有可无的橡皮图章；而应该将其视为技术价值链上的最高裁决点。在代码进入生产环境、被交班给新团队时，为历史留下更好的理解资产。
去建造工厂；去擦亮明灯；去让工作变得清晰可读、可被核验、由人死守。
一个 Agent 可以在几秒内写完代码。但在这行代码触达真实用户之前，必须由一个有血有肉的人类站出来，向世界解释：为什么这行代码应该存在、为什么它是足够安全的、以及一旦搞砸了，他将如何收场。
这就是处于外环之上的智能体工程——这就是在这个时代，我们作为工程师的唯一天职。
资料链接：https://x.com/addyosmani/status/2074927530482835916
还在为写 Agent 框架频频死循环、上下文爆炸而束手无策？我的新专栏 《从0 开始构建 Agent Harness》 将带你：
- 抛弃臃肿框架，回归“驾驭工程 (Harness Engineering)”的第一性原理
- 用 Go 语言手写 ReAct 循环、并发拦截与上下文压缩引擎等，复刻极简OpenClaw
- 构建坚不可摧的 Safety Middleware 与飞书人工审批防线
- 在底层实现 Token 成本审计、链路追踪与自动化跑分评估
- 从“调包侠”进化为掌控大模型边界的“AI 操作系统架构师”
扫描下方二维码，开启从 0 开始构建Agent Harness 的实战之旅。
还在为“复制粘贴喂AI”而烦恼？我的新专栏 《AI原生开发工作流实战》 将带你：
- 告别低效，重塑开发范式
- 驾驭AI Agent(Claude Code)，实现工作流自动化
- 从“AI使用者”进化为规范驱动开发的“工作流指挥家”
扫描下方二维码，开启你的AI原生开发之旅。
商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。
