Eran för prompt engineering är över: Välkommen till ”loop engineering”
AI-branschen står inför ett betydande skifte. Den tidigare så hyllade konsten att skriva den perfekta instruktionen – så kallad ”prompt engineering” – håller på att fasas ut till förmån för något som kallas ”loop engineering”. Det innebär att mänsklig inblandning i skrivprocessen minimeras och ersätts av AI-agenter som själva instruerar och koordinerar varandra.
Från manuell kontroll till autonoma agenter
En av de drivande rösterna bakom trenden är Boris Cherny, skaparen av Claude Code. Han förklarar att han inte längre skriver promptar manuellt. Istället har han designat en agent som i sin tur prompter Claude, vilket skapar en koordinerande version av den artificiella intelligensen.
Peter Steinberger, ingenjör på OpenAI och skaparen av OpenClaw, förstärker bilden. Han menar att användare bör fokusera på att designa loopar som instruerar agenter snarare än att försöka skriva direkta promptar. Steinberger ger ett konkret exempel där Codex instrueras att underhålla programvarudepåer genom att ”vakna” var femte minut för att styra och parallellisera arbete över flera olika trådar.
Slutet på mänskligt skrivande i arbetsflödet
Denna utveckling spås förändra hur utvecklare och andra professionella interagerar med AI. Claire Vo, grundare av ChatPRD, noterar att övergången till agentstyrda arbetsflöden tar bort behovet av att en människa faktiskt skriver text. Addy Osmani, direktör på Google Cloud, går så långt som att säga att eran för direkt promptning av kodverktyg i stort sett är förbi.
Viktiga insikter om loop engineering:
- Autonomi: Agenter designas för att driva processer utan mänsklig handpåläggning.
- Parallellisering: Loopar gör det möjligt för AI att hantera flera uppgifter samtidigt i olika trådar.
- Självreglering: Systemet kan väckas med jämna intervall för att kontrollera och utföra arbete.
Utmaningar och tekniska begränsningar
Trots entusiasmen finns det betydande hinder. Community-medlemmar påpekar tekniska begränsningar, särskilt gällande kontextfönster. När mängden information överskrider vissa gränser, omkring 100 000 tokens, tenderar modellernas prestanda att sjunka avsevärt.
Användaren ”swillden” rapporterar om svårigheter med autonomin i komplexa flöden, som att slå samman pull requests (PR). Enligt rapporten kan AI:n ofta diagnostisera problem korrekt, men den misslyckas frekvent med att faktiskt agera på sin egen diagnos utan att en människa kliver in och prompter den aktivt.
Å andra sidan finns det framgångshistorier. Användaren ”bsolar” beskriver lyckade resultat med Claude Code och dess kontextfönster på en miljon tokens för att autonomt läsa in JIRA-ärenden och skapa detaljerade implementeringsplaner.
En dyr affär?
Kritiker menar dock att ”loop engineering” kan vara mer än bara en teknisk innovation – det kan också vara en marknadsföringsstrategi. Eftersom autonoma loopar tenderar att förbruka betydligt fler tokens än manuell promptning, innebär det en ökad ”token-förbränning”, vilket i slutändan gynnar de bolag som säljer AI-kapacitet.
