loopy: 為 AI agent 建立與管理迭代回饋迴圈的框架

它解決了什麼問題

它解決了「一次性」提示詞（one-shot prompting）的限制，即 AI agent 被要求執行任務一次，卻缺乏迭代改進的機制。透過引入「迴圈」（loops）——即內建回饋的劇本（playbooks）——它使 agent 能夠從結果中學習、驗證其工作，並重複步驟直到達成特定目標或進度停滯，從而使 agentic workflows 更加可靠且可重複。

運作方式

該專案由兩個部分組成：一個公開的 Loop Library（已發佈迴圈的目錄）以及 Loopy，一個可安裝於 AI agent 的技能（相容於 Codex, Cursor, and Claude Code）。

Loopy 允許 agent：

• Discover：識別程式碼庫或對話歷史中的重複模式，以建立新的迴圈。
• Find & Adapt：在 library 中搜尋現有的迴圈，並根據特定專案的限制進行調整。
• Craft：使用訪談流程從頭開始構建自定義迴圈。
• Run & Debrief：在有限的次數內執行迴圈，並分析結果以建議最小程度的改進。
• Save & Publish：將迴圈儲存在本地的 LOOPS.md 檔案中，或將其提交至公開 library。

對象是誰

想要超越簡單提示詞，轉向結構化、迭代式工作流，以處理如修復生產環境錯誤、提高測試覆蓋率或維護文件等任務的開發者與 AI agent 使用者。

重點特色

• Bounded Execution：迴圈包含明確的停止點與核准邊界，以防止 agent 無止盡地執行。
• Evidence-Based：需要驗證成功與否，並提供動作與結果的「收據」（receipts）。
• Agent Integration：可直接作為技能安裝到熱門的 AI coding agents 中。
• Project-Local Storage：支援將自定義迴圈儲存在專案的根目錄中，以便在不同 session 之間重複使用。