Andrew Ng nadaje ramy "loop engineering", nowej praktyce pracy z agentami kodującymi

Andrew Ng, współzałożyciel Google Brain i twórca platformy edukacyjnej DeepLearning.AI, poświęcił swój list w newsletterze The Batch nowemu podejściu do budowania oprogramowania z pomocą agentów AI. Nazwał je "loop engineering" i opisał jako zestaw trzech zagnieżdżonych pętli sprzężenia zwrotnego, które według niego zastępują ręczne pisanie promptów jako centralną umiejętność programisty pracującego z agentami kodującymi.

Termin "loop engineering" zaczął krążyć w mediach społecznościowych za sprawą Borisa Cherny'ego, twórcy Claude Code w Anthropic, oraz Petera Steinbergera, autora narzędzia OpenClaw. Obaj programiści pisali o nim jako o naturalnym następcy prompt engineeringu, praktyki polegającej na starannym formułowaniu poleceń dla modeli językowych. Gdy hasło zaczęło krążyć szerzej, Ng postanowił nadać mu formalne ramy w swoim liście, czytanym cotygodniowo przez setki tysięcy osób zainteresowanych rozwojem sztucznej inteligencji.

Trzy zagnieżdżone pętle

Pierwsza pętla, którą Ng nazywa pętlą kodowania agentowego, działa w skali sekund do minut. Agent otrzymuje specyfikację produktu i opcjonalnie zestaw testów ewaluacyjnych, po czym samodzielnie pisze kod, testuje go i poprawia, dopóki nie spełni wymagań. To właśnie ta pętla najbardziej zyskała na możliwościach modeli w ostatnim roku.

Druga pętla, sprzężenia deweloperskiego, działa w skali minut do godzin. To tutaj programista przegląda efekty pracy agenta, koryguje kierunek, aktualizuje specyfikacje i podejmuje decyzje projektowe. Ng zauważa, że czas potrzebny na tę funkcję istotnie się skrócił, odkąd agenty lepiej radzą sobie z samodzielnym testowaniem własnej pracy.

Trzecia pętla, sprzężenia zewnętrznego, rozciąga się na dni lub tygodnie. Obejmuje zbieranie opinii od użytkowników, testy alfa, testy A/B lub zwykłe pytanie znajomych o zdanie. To najwolniejszy z trzech cykli, ale zdaniem Ng wciąż niezastąpiony, bo dostarcza wiedzy, której model nie ma znikąd indziej.

Przykład z życia

Ng opisał, jak w jeden weekend zbudował dla córki aplikację do ćwiczenia pisania na klawiaturze, z kotowymi kostiumami do odblokowania w miarę postępów. Agent kodujący pracował samodzielnie przez około godzinę, kilkukrotnie otwierając przeglądarkę, żeby sprawdzić, jak wygląda zbudowana funkcja, zanim zgłosił się z pytaniem lub gotowym efektem. Ng przyznał, że w międzyczasie kilka razy zmieniał zdanie co do wyglądu interfejsu i sposobu logowania dla dorosłego opiekuna.

Agent kodujący mógł swobodnie pracować przez około godzinę, wielokrotnie korzystając z przeglądarki, żeby sprawdzić, co zbudował, zanim wrócił do mnie - Andrew Ng, DeepLearning.AI

Przewaga kontekstu

Kluczowym pojęciem w liście Ng jest "przewaga kontekstu" (context advantage). Zamiast myśleć o roli człowieka w kategoriach umiejętności technicznych, które agent może w końcu przejąć, Ng proponuje myśleć o tym, co człowiek wie, a czego model nie wie. Dopóki taka asymetria wiedzy istnieje, obecność człowieka w pętli pozostaje konieczna, niezależnie od tego, jak sprawny stanie się agent.

To przesunięcie akcentu ma znaczenie praktyczne. Wcześniejsze poradniki dotyczące pracy z modelami językowymi skupiały się na formułowaniu dobrego promptu, jednorazowej instrukcji, która miała zmaksymalizować szansę na trafną odpowiedź. Loop engineering przenosi ciężar na projektowanie całego cyklu pracy, momentów kontroli, kryteriów "gotowości" i sposobu, w jaki informacja zwrotna wraca do agenta.

Co to znaczy dla polskich zespołów

Dla polskich firm software'owych i zespołów korzystających z narzędzi takich jak Claude Code, Cursor czy Codex, przesunięcie z prompt engineeringu na loop engineering oznacza inny sposób organizacji pracy. Zamiast szkolić programistów w pisaniu precyzyjnych poleceń, coraz więcej organizacji zaczyna inwestować w budowę zestawów testów ewaluacyjnych i jasnych specyfikacji, które pozwalają agentom pracować dłużej bez nadzoru.

To także zmiana w oczekiwaniach wobec junior developerów, którzy coraz częściej mają definiować kryteria sukcesu i przeglądać wyniki pracy agenta, zamiast pisać kod linijka po linijce. Ng od miesięcy powtarza w swoich wystąpieniach, że sztuczna inteligencja nie zastąpi programistów, ale zmieni naturę ich codziennej pracy w stronę projektowania systemów i weryfikacji, a nie ręcznego kodowania.

Popularność terminu wśród twórców najpopularniejszych narzędzi do kodowania agentowego sugeruje, że koncepcja szybko trafi do praktyki zespołów inżynierskich na całym świecie, także w Polsce, gdzie adopcja agentów kodujących rośnie w ostatnich miesiącach szczególnie szybko w firmach produktowych i software house'ach.

Źródła: The Batch, wydanie 359 (deeplearning.ai), AI Builder Club (aibuilderclub.com), dsebastien.net, Storyboard18 (storyboard18.com)