解读AI新黑话：Loops、Harnesses、Squads、Hill Climbing……天哪！
如今，AI 工具层出不穷，也带来了一波又一波的新词汇，软件开发圈里时不时就冒出几个新说法，看得人眼花缭乱。这些新词里，有些确实概括了大家正在探索的实用模式，有些只是给早已存在的概念披了件新马甲，还有些定义本身都还在形成之中。在我们最新一期的 GitHub 播客里，Marlene Mhangami、GPS 和我一起聊了聊当下开发者们正在接触的一些 AI 术语：循环工程（loop engineering）、Ralph 循环（Ralph loops）、小队（squads）、编排工程（harness engineering）、爬山算法（hill climbing）、前置部署工程师（forward deployed engineers）、闭源模型（closed models）、开源权重（open weights）和开源模型（open source models）。如果你不爱听播客、更喜欢读文字，那这篇文章就是为你准备的术语指南——这些词是什么意思、为什么重要、该怎么理解。完整节目在下方，欢迎收听！👇
循环工程：跳出“一次性提问”的思维定式
循环工程（loop engineering）指的是围绕智能体（agent）设计可重复运行的系统，而不是每次手动给它发一条指令、让它干一件活。举个简单的例子：你不需要每天早上都让智能体去查看新的 issue、做总结、再提出修复建议，而是创建一个按计划自动运行的循环。这个循环可以自动抓取 issue，转给智能体处理，校验输出结果，遇到卡住的情况就自动升级处理。说白了，这就是一个升级版的 AI 原生定时任务（cron job）。
Ralph 循环：循环工程里“大力出奇迹”的远亲
Ralph 循环是实现上述“循环”概念的一种具体方式：给智能体一个详细任务（通常来自产品需求文档或规格说明），然后让它一直干到完成为止。这在某些场景下确实有用，尤其是把大任务拆解成“计划—执行—检查”的多次循环时。但另一方面，它也可能既贵又低效，因为每多迭代一次，就要消耗更多的 token、更多的上下文和更多的算力。循环工程想做的，正是让这种模式变得更结构化，避免你只能一遍遍地对智能体说“再来一次”。一个设计良好的循环会加入一些基础组件，比如技能（skills）、可观测性（observability）、校验（validation）、路由（routing）和检查点（checkpoints）。
小队、编队与多智能体工作流
如果说循环定义的是工作流的“流程”，那么“小队”（squads）和“编队”（fleets）描述的则是多个智能体如何协作参与到这个工作流中。
小队（squad）指一组分工不同的智能体（agent），通常对应真实世界的团队结构。比如一个智能体负责规划，另一个智能体负责审查这个规划，再一个负责实现，一个负责测试，还有一个负责评审。编队（fleet）则指同一时刻并行处理任务的智能体集群。你可以让一个小队以编队形式并行运行，也可以按顺序工作。这样的运作方式让不同智能体各管流程的一段，你可以针对每个智能体的任务做精细化调优，让它掌握特定技能，从而提高整体效率。核心思想就两条：并行化与专门化。与其让一个智能体试图包揽所有事，不如让不同智能体分别应对开发流程中的不同环节。
Harnesses：模型外围的系统
除了模型生成的内容，harness（鞍具/外部框架）指的是围绕模型、让它在你的工作流中真正发挥作用的整套系统。它可能包括工具、权限、内存、上下文、编排等，所有这些用来引导模型行为的机制都算。这个说法借自马具：马就好比模型，跑起来容易脱缰，而马具的作用就是引导马的拉力，让它在干活时安全地朝正确方向使劲。这么解释是不是好记一点？软件领域一个典型例子是 GitHub Copilot——它把模型和代码库、编辑器、Pull Request、终端等连接在一起。当你听到「harness engineering」这种说法时，指的就是设计和改进这套模型外围系统的工作。
Hill climbing：用反馈改进智能体
Hill climbing（爬山式优化）描述的是持续改进智能体与外围系统的过程。比如说，用评估（evals）来检验智能体的输出是否正确，再调整 harness，直到结果变好。再比如，你的智能体负责审阅 Pull Request，那 hill climbing 可能就是检查它是否真能发现有价值的 bug、是否给出有用的建议，然后调整相关工具来提升效果。
Forward deployed engineer：一个似曾相识的 AI 新角色
Forward deployed engineer（驻场工程师）这个职位并非新创，但加上 AI 的包装后，听起来又前卫又新鲜。
现在，这类职位往往是面向客户的软件工程师、销售工程师或解决方案工程师，并且通常专注于 AI。如果你之前没见过这些职位名称，简单来说，这类人员的工作是和客户密切配合，把技术方案落地或适配到对方的环境中。加上 AI 方向后，就是帮助团队把 AI 工具、工作流、智能体（agent）等集成到他们现有的系统里。
封闭模型、开放权重模型和开源模型
并非所有模型都以同样的方式开放。封闭模型通过 API 或托管产品来访问。开发者可以使用模型，但接触不到底层的权重、训练数据或训练过程。你听过的那些大名鼎鼎的前沿模型，通常都是封闭模型。开放权重模型公开了模型的权重——你可以把权重理解为决定不同输入重要性的“旋钮”。开发者可以下载并运行这类模型，通常可以跑在本地或自己的基础设施上。但要说明，数据集和训练方法可能不会完整公开。开源模型则更进一步，模型、代码、数据和训练过程全部可供查看、复用和修改。模型开放程度越高，你就越能自由地运行、定制、审计和信任它。
术语在不断演变
以上只是我们最近经常听到的一部分术语。有些会留下来，有些会被淡忘，还有一些会随着行业成熟被更准确的说法取代。不用太担心自己跟不上这些新词。它们终究只是词汇，更重要的是词汇背后的实践。多问问自己：工作流能不能稳定地重复？任务怎么验证？人类应该在什么时候（或不该在什么时候）介入？能在多大程度上依赖模型？以及如何让系统变得更好？这是工程的新时代，最佳实践依然重要！