---
source: hn
url: https://signals.forwardfuture.com/loop-library/
published_at: '2026-07-17T23:53:04'
authors:
- tylerdane
topics:
- ai-agent-workflows
- software-engineering
- code-intelligence
- automated-testing
- human-ai-interaction
relevance_score: 0.88
run_id: materialize-outputs
language_code: zh-CN
---

# Loop Library for Engineers

## Summary
## 摘要
Loop Library 是一个面向软件工程及相关产品任务的实用 AI 智能体工作流集合。每个 loop 都将目标与检查项、证据要求、停止条件以及评审或批准边界结合起来。

## 问题
- 通用编码智能体可能只完成部分工作、产生无法验证的结果，或进行范围过大的修改，因此难以评估任务是否完成。
- 文档更新、重构、测试、调试、基准测试和发布准备等重复性工程工作，需要可靠的流程和明确的防护措施。
- 该库的价值在于，它把定义宽泛的智能体请求转化为有边界的工作流，从而产出可供评审的成果和证据。

## 方法
- 提供可复用的自然语言 loop，定义任务、行动顺序、验证检查、失败处理和终止条件。
- 要求提供具体证据，例如测试、基准测试、截图、拉取请求、日志、评审者结论或前后对比。
- 使用隔离工作树、独立评审者、留出案例、回归测试、重复运行、回滚检查点和批准关卡等机制。
- 通过 Loopy agent skill 支持安装和引导式使用，包括 `npx skills add Forward-Future/loopy --skill loopy -g` 等命令。

## 结果
- 页面显示该库包含 **85 个 loop**。
- 示例涵盖文档同步、架构重构、生产环境错误修复、测试覆盖率、SEO 和 AI 答案可见性、易失败测试修复、依赖项漏洞、无障碍、备份以及智能体协作。
- 各个 loop 都规定了可度量或可审计的完成标准，例如页面加载时间低于 **50 毫秒**、测试覆盖率达到 **100%**、重复博弈实验达到 **18 场匹配和 180 轮**，或完成一次全新克隆后的干净上手流程。
- 所提供的文本没有报告汇总基准、成功率、用户研究或与基线提示的比较；最有力的证据是已发布工作流示例的广度和具体程度。

## Problem

## Approach

## Results

## Link
- [https://signals.forwardfuture.com/loop-library/](https://signals.forwardfuture.com/loop-library/)