English | 中文 | Español | Français | Deutsch | 日本語 | 한국어 | Português | Ajudar a traduzir | Página inicial | Espelho no Hugging Face
> Projete sistemas recorrentes de agentes de IA com gatilhos explícitos, verificação externa, estado durável, orçamentos limitados e transferência para pessoas. Prompt engineering melhora o que você pede ao modelo. Context engineering melhora o que o modelo consegue ver. Harness engineering melhora ferramentas, permissões, sandboxes e verificações ao redor de uma execução de agente. **Loop Engineering fica acima das três**: projeta sistemas que acionam agentes, supervisionam, verificam resultados, persistem estado e executam novamente. Um loop descobre trabalho, delega para um ou mais agentes, verifica o resultado, registra estado, decide a próxima ação e executa novamente em uma cadência ou até atingir um objetivo verificável. Loop Engineering abrange sistemas recorrentes de AI agents e coding agents com gatilhos explícitos, verificação e estado durável. Não inclui event loops de software, teoria de controle, growth loops, automação genérica nem feedback loops sem relação com IA. Comece com 968 recursos, 22 patterns operacionais, 22 loop contracts validados por schema e 8 starters de runtime (3 executáveis e 5 templates prontos para adaptação), além de uma galeria comunitária e 8 idiomas. ## Modelo Mental - Prompt engineering pergunta: o que devo dizer ao modelo? - Context engineering pergunta: que estado e conhecimento o modelo deve ver? - Harness engineering pergunta: quais ferramentas, permissões, testes, sandboxes e feedback devem cercar o agente? - Loop engineering pergunta: que sistema recorrente deve descobrir trabalho, delegar para agentes, verificar resultados, persistir estado, decidir próximas ações e rodar de novo? Prompt, context e harness engineering melhoram uma execução. Loop Engineering torna o trabalho de agentes repetível, observável e governável ao longo do tempo. ## Loop Contract Um loop útil normalmente precisa deixar estes elementos visíveis: | Parte | Pergunta de design | Artefato comum | | ----------------- | ------------------------------------------ | ---------------------------------------------------------- | | Objective | O que o loop deve otimizar? | Goal, issue, PRD, runbook | | Trigger | Quando o loop roda? | Schedule, webhook, `/loop`, `/goal`, automation | | Discover / Intake | Como o loop encontra trabalho? | GitHub query, Linear filter, CI failure, feedback stream | | Workspace | Onde o agente pode agir com segurança? | Worktree, sandbox, branch, container | | Context | Que conhecimento durável deve carregar? | `AGENTS.md`, `CLAUDE.md`, `SKILL.md`, docs | | Delegation | Qual agente faz qual parte? | Explorer, implementer, reviewer, judge | | Verification | O que decide sucesso ou falha? | Tests, typecheck, lint, evals, trace graders | | State | O que sobrevive para a próxima execução? | Progress file, checkpoint, trace, issue comment | | Budget | Quando deve parar de gastar? | Max turns, max retries, token budget, time box | | Escalation | Quando uma pessoa assume? | PR, issue, Slack alert, triage inbox | | Exit | Como o loop sabe que terminou? | Acceptance criteria, passing checks, no work found | ## Modelo de Maturidade | Nível | Nome | Descrição | | ----- | -------------------------- | ---------------------------------------------------------------------------------------- | | 0 | Manual prompting | Uma pessoa lê o estado e escreve o próximo prompt. | | 1 | Scripted retry | Um script devolve erros ao agente. | | 2 | Scheduled loop | O agente roda em uma cadência e reporta resultados. | | 3 | Stateful loop | O progresso sobrevive por arquivos, issues, checkpoints ou traces. | | 4 | Self-verifying loop | Checks determinísticos ou evaluator agents bloqueiam conclusões erradas. | | 5 | Multi-agent loop | Agentes especializados dividem discovery, implementation, review e judgment. | | 6 | Production-supervised loop | Observabilidade, budgets, approvals, rollback e escalonamento humano são centrais. | ## Primeiras Leituras Explore todos os recursos no guia completo em inglês: [README.md](README.md). Leituras recomendadas: - [Loop Engineering](https://addyosmani.com/blog/loop-engineering/) - A definição de Addy Osmani da mudança do prompting manual para sistemas que fazem prompt, verificam e continuam. - [Peter Steinberger sobre projetar loops](https://x.com/steipete/status/2063697162748260627) - A publicação de junho de 2026 que catalisou a discussão: pare de fazer prompt em agentes e projete loops que façam o prompt por você. - [Boris Cherny: cinco dicas para executar agentes de forma autônoma](https://x.com/bcherny/status/2063792263067754658) - A receita compacta do criador do Claude Code para loops autônomos de horas ou dias. - [The New Stack: de prompting a loops](https://thenewstack.io/loop-engineering/) - Reportagem sobre a mudança de Boris Cherny para escrever loops para trabalho recorrente de agentes. ## Contribuir Contribuições são bem-vindas. Leia [CONTRIBUTING.md](CONTRIBUTING.md) antes de abrir um pull request. Fluxo rápido: 1. Confirme que o recurso trata de Loop Engineering para AI/coding agents ou de uma base direta para isso. 1. Pesquise no README para evitar duplicatas. 1. Escolha a categoria mais específica. 1. Adicione uma entrada neste formato: ```md - 📄 **Paper** [Title](https://example.com) - One sentence explaining the resource's contribution to Loop Engineering. ``` 1. Explique no PR a relevância, a categoria, o tipo de recurso e por que ele ajuda builders. ## Traduções Para manter ou adicionar um idioma, leia [TRANSLATIONS.md](TRANSLATIONS.md). As traduções devem preservar o escopo estreito: não incluir event loops, growth loops ou automação genérica.