Andrew Ng 三层循环：0 到 1 AI 产品的反馈系统
基于 explainx.ai 文章《Andrew Ng's Three Loops for Building 0-to-1 Products with AI Agents》整理，并结合 Loop Engineering 语境做中文分析。原文称该框架来自 Andrew Ng 在 2026-06-30 的 The Batch/X 分享。
一句话结论
AI coding agent 让“实现”越来越快，但产品成功不只由实现速度决定。团队需要把 agentic coding loop 当成内层发动机，同时保留开发者对产品判断的中层循环，以及用户/市场反馈的外层循环。
文章核心
1. 内层：Agentic Coding Loop
输入是产品规格和可选 eval。Agent 写代码、运行测试、打开浏览器检查结果，并反复修正，直到满足规格。这个循环的节奏可以是几分钟一轮。
2. 中层：Developer Feedback Loop
开发者不再只是手动 QA，而是更频繁地做产品判断：哪些功能重要、UI 是否合适、用户路径是否顺畅、spec 是否需要重写。
3. 外层：External Feedback Loop
朋友、alpha 用户、真实用户、A/B 测试和市场数据进入产品愿景。这个循环慢得多，但决定团队是否在正确问题上加速。
4. 三层之间靠 Spec/Eval 衔接
愿景必须被压缩成 agent 能验证的规格；重复失败的地方要变成 eval。否则内层 agent 只是更快地实现模糊想法。
三层循环拆解
| 循环 | 责任人 | 典型节奏 | 核心任务 | 失败信号 |
|---|---|---|---|---|
| Agentic coding | AI agent + spec/evals | 几分钟 | 实现、测试、自修复、浏览器检查 | 测试不稳定、无停机条件、反复修同一类 bug |
| Developer feedback | 开发者/产品负责人 | 几十分钟到几小时 | 改 spec、调整 UI、重排功能优先级 | 人只做 QA，不做产品判断；spec 一直含糊 |
| External feedback | 用户、测试者、市场 | 小时到数周 | 验证需求、暴露真实约束、改变产品方向 | 闭门打磨太久，内层 polish 替代用户验证 |
为什么重要
工程师开始承担更多产品经理职能
当 agent 能快速把想法变成可试用版本，工程师的关键能力会从“亲手把代码写完”上移到“把用户上下文翻译成可实现、可验证的规格”。这不是工程价值下降，而是工程价值的重心改变。
Loop Engineering 需要产品反馈补全
内层 loop 可以解决“这段代码是否满足检查”，但不能自动回答“这个产品该不该这么做”。Andrew Ng 的框架提醒我们：loop engineering 不能只谈 harness、测试、预算和重试，也要讨论用户反馈如何改变下一轮 spec。
Evals 是中层和内层之间的接口
开发者每次发现 agent 反复犯同一类错，都应该考虑把人类判断沉淀为 eval。Eval 不是一次性测试文件，而是把产品意图转成机器可检查标准的持续过程。
速度可能放大错误方向
如果没有外部反馈，agentic coding 只会更快地堆出“看起来完整但没人要”的功能。越能自动实现，越要尽早让真实用户给方向性反馈。
对 OpenClaw/Codex 工作流的启发
- 把需求拆成 VISION、SPEC、EVAL 三层：VISION 记录产品意图，SPEC 给 agent 执行，EVAL 定义完成标准。
- 让 agentic loop 先服务可验证事项：测试、构建、截图、浏览器检查、lint、数据校验，比纯主观 UI 判断更适合自动闭环。
- 中层 review 不要只挑 bug：每次 review 都问“这个版本是否改变了产品判断”，必要时重写 spec，而不是只让 agent 修表面问题。
- 外层反馈要早：内部工具也可以找 3-5 个真实使用者试用，不要等内层实现完美才暴露给人。
- 重复返工变 eval：如果同一类问题出现两次以上，就把它写进验收标准、截图检查、测试或 checklist。
我的判断
这篇 explainx 文章本身偏二手整理，但选题很准。它把最近被热炒的 loop engineering 从“怎么让 coding agent 自己跑”拉回到产品语境：实现只是一个内层循环，真正决定 0 到 1 的是开发者能否把用户上下文、产品判断和验证标准持续压进 spec/evals。
对个人开发者来说，这套框架最实用的提醒是：不要把全部精力花在寻找神奇 agent prompt 上。更值得做的是建立一个小型产品操作系统：愿景文档、任务规格、验收测试、截图/浏览器验证、用户反馈记录、下一轮 spec 更新。Agent 负责加速内层，人负责管理外层方向。
对团队来说，三层循环也解释了为什么“上了 AI coding agent”不等于产品效率自动提升。如果没有中层产品 review 和外层用户反馈，agent 只会把原来的低质量需求更快地实现出来。
风险与待核验
- 本文引用的是 explainx.ai 的二次整理，Andrew Ng/The Batch 原文和 X 线程应作为最终事实来源。
- 文章提到的浏览量、社区争论、相关工具能力属于快速变化信息，需要按日期核验。
- “loop engineering”本身仍是新术语，部分内容可能是在重新命名已有 SDLC、CI、QA 和用户研究流程。
- 企业环境的外层循环不只是用户反馈，还包括合规、审计、权限、发布 gate 和责任归属。
可执行清单
- 为每个 0 到 1 项目写一页 VISION，明确用户、场景、成功标准和非目标。
- 把下一步交付写成 agent 可执行的 SPEC，避免“做得高级一点”这类不可验证表述。
- 为 SPEC 配套最小 EVAL：测试、截图检查、样例数据、人工验收清单任选其一。
- 让 agent 跑内层实现循环，但设置预算、停机条件和失败汇报格式。
- 每隔几十分钟做人类 review，重点更新产品判断，而不是只做 bug list。
- 尽早找真实用户试用，外部反馈进入下一轮 VISION/SPEC，而不是只进入 backlog。