Обычная работа с ИИ выглядит так: задал вопрос — подождал — получил ответ. Loop-инжиниринг предлагает другое: агент сам крутит цикл к заданной цели, улучшая результат от попытки к попытке, пока не достигнет её. Разница принципиальная — человек перестаёт быть тем, кто дёргает модель на каждом шаге.
Три обязательных компонента
Любой рабочий цикл держится на трёх вещах:
- Верификатор — объективная система оценки каждой попытки (прошли тесты, улучшилась метрика, собралась сборка). Без него агент начнёт хвалить сам себя.
- Состояние — сохраняемая запись попыток, провалов и того, что осталось сделать. Она позволяет следующему прогону продолжить, а не начинать заново.
- Условие остановки — граница против бесконтрольных расходов: цель достигнута либо исчерпан лимит попыток.
Цикл Карпаты (autoresearch)
В марте 2026 года Андрей Карпаты выложил открытый репозиторий, который наглядно показывает идею всего в ~630 строках кода. Устроено аккуратно: агент может править только train.py (модель, оптимизатор, логику обучения), а утилиты оценки в prepare.py трогать нельзя — чтобы нельзя было подкрутить метрику. Инструкции лежат в написанном человеком program.md. Каждый цикл — один эксперимент: обучение пять минут, затем коммит или откат. Метрика — val_bpb (чем ниже, тем лучше).
Результат за ночь работы на коде обучения GPT-2: из 700 экспериментов набралось 20 настоящих улучшений, которые сократили время обучения на 11% (с 2,02 до 1,80 часа). Одно из них выявило пропущенный скалярный множитель в реализации QK-Norm.
Двухуровневый autoresearch
Отдельная идея — цикл, который оптимизирует другие циклы. Внутренний цикл делает привычное «предложил — обучил — оценил», а внешний анализирует его код и трассы, замечает, где процесс буксует, и на ходу добавляет новые механизмы на Python. При тех же самых моделях это дало впятеро большее снижение val_bpb (−0,045 против −0,009) — то есть выигрыш за счёт архитектуры, а не мощности модели.
Пять кирпичиков для команд
Современные ИИ-команды собирают циклы из пяти элементов: автоматизация (запуск по расписанию или событию), навыки (знания проекта в markdown, читаются на каждом прогоне), суб-агенты (писателя и ревьюера лучше разделять — одна модель оценивает себя слишком щедро), коннекторы (связь с реальными инструментами вроде трекеров и Slack) и верификатор как воротам, отсекающий брак.
Где это применимо
Паттерн выходит далеко за пределы обучения моделей: подбор гиперпараметров до нужного порога, рефакторинг кода до зелёных тестов, переписывание текста до попадания в критерии оценки, настройка пайплайнов данных до прохождения валидации схемы. Базовый протокол простой: спланировать один шаг, сделать, оценить результат по шкале, решить — остановиться или зайти на слабое место ещё раз.
Главная мысль звучит так: если у вас есть объективная метрика, узкое место — вы сами. Человек выдыхается примерно после десятка экспериментов, а цикл идёт сколько угодно. Работа не исчезает — она смещается в проектирование и ревью.