循环工程（Loop Engineering）是指对 AI 智能体“思考—行动”循环本身的设计：上下文怎么管理、模型怎么选、观察结果怎么压缩、循环何时终止，都属于它的范畴。

循环工程这一说法在 2026 年社区中逐渐流行，Kumar 与 Pandey 在论文 TurnCost: Turns, Not Observations: Cache-Aware Loop Engineering for Coding Agents 中对其做了系统定义，并基于 600 条公开编程智能体轨迹进行了量化分析。

循环工程的核心发现是“轮数比观察更重要”：单次观察的中位数只有 118–286 个 token，常被压缩的大段构建日志其实要到 99 分位才出现；98.6% 的输入 token 命中前缀缓存，因此“按 token 平铺计价”会把循环成本平均高估约 7 倍。更关键的是，轮数解释了轨迹成本对数方差的 84%，而平均观察大小只解释 4%——最贵的轨迹往往轮次最多，而不是观察最长。

循环工程的意义是把智能体的效率问题从“模型快不快”转向“循环设计得好不好”。优化应优先减少“不必要的轮次”，而不是只盯着单次输出有多长；这也提示缓存感知的成本模型才更接近真实成本。