Agentic Loop：让AI自主写代码并修Bug的机制

AI编程工具正在从"一次生成一段代码"进化到"自己跑、自己看、自己改"。YouTube频道ViCode在一则短视频里提出了一个概念——Agentic Loop（代理循环），把它作为提升开发效率的关键机制。这条内容虽然简短，却触及了当前AI编程工具最核心的范式转变。

Agentic Loop到底是什么

ViCode在视频中给出的核心判断是：不要再用"让AI写一段、你复制粘贴、报错了再贴回去"的割裂方式工作。Agentic Loop的本质，是让AI工具获得一个闭环权限——执行代码、读取终端输出、发现错误、自动修改，然后再次执行，如此循环直到通过。

这和传统对话式编程的区别在于"反馈回路的所有权"。过去反馈回路掌握在人手里：人负责运行、人负责读报错、人负责把报错贴回对话框。Agentic Loop把这个回路交给了AI代理本身，人退到规则制定者和结果审核者的位置。

从工程角度看，这个机制成立的前提是AI能拿到真实的执行环境——终端、文件系统、测试运行器。只给模型看代码文本，它无法知道自己写的东西能不能跑起来；只有让它看到执行结果，自我修正才成为可能。

反馈回路（Feedback Loop） 是控制论中的基础概念，指系统将输出结果重新作为输入，用于调整下一步行为，从而不断逼近目标状态。在软件工程里，编译器的报错、测试的失败、运行时的异常，都是典型的反馈信号。传统开发中，这个回路的大部分环节由人手动衔接；Agentic Loop的关键在于用自动化手段把"运行—观测—修改"这一链路串起来，让代理程序在无需人工介入的情况下反复迭代。理解这一点有助于区分"AI辅助编程"和"AI代理编程"：前者人仍在回路中承担主要反馈职责，后者人只在回路外设定目标与验收标准。

三步落地：从规则到验证

ViCode给出的实操路径只有三步，但每一步都指向一个容易被忽略的关键点。

第一步：在System Prompt里写清楚规则

视频强调要在system prompt（原文写作System.prom）中"thiết lập quy tắc rõ ràng"——建立明确规则。这一步的意义常被低估。Agentic Loop让AI拥有自主执行和修改的权限，如果规则模糊，它可能在错误的方向上反复循环，浪费token和时间。规则要覆盖的至少包括：允许它操作哪些目录、遇到什么类型的错误应该停下来问人、修改代码的边界在哪里。

System Prompt（系统提示词） 是对话式AI中优先级高于用户输入的一类指令，用于设定模型的角色、行为边界和输出规范。与普通提示词不同，system prompt通常在会话开始时注入并在整个交互过程中持续生效，因此适合承载"允许访问哪些目录""遇到何种错误必须停止并询问""禁止修改哪些文件"这类全局约束。在Agentic Loop场景下，system prompt实际上是开发者对AI代理的"操作手册"，其清晰程度直接决定了代理自主循环时的可控性。如果工具支持，还可将更细粒度的权限交给沙箱或配置文件管理，而非全部依赖自然语言描述。

第二步：要求AI先写单元测试，再交付代码

原文表述是"luôn yêu cầu AI viết kèm Unitec trước khi bạn giao code"——在交给你代码之前，让AI同时写好单元测试（原文Unitec应为Unit Test的音译缩写）。这一条是整个循环的验收标准来源。没有测试，AI的"自我修复"就没有明确的终止条件，它只能凭感觉判断"看起来对了"；有了测试，循环有了可执行的通过/失败信号，代理才知道什么时候该停。

这也解释了为什么Agentic Loop和测试驱动开发天然契合：测试是先于实现写好的客观标准，AI在循环中不断逼近这个标准。

单元测试（Unit Test） 是针对代码中最小可测单元（通常是一个函数或方法）编写的自动化测试，通过断言输入与预期输出是否一致来判断该单元是否正常工作。它的关键价值在于把"代码是否正确"这一模糊判断转化为可机器执行的通过/失败信号，这正是Agentic Loop能够自我终止的基础。测试驱动开发（TDD）则进一步要求先写测试、再写实现，使测试成为需求的精确表达。当AI代理在循环中以测试通过为终止条件时，测试覆盖的质量就等价于验收标准的严格程度：覆盖不足的测试会让代理过早"宣告成功"，留下隐患。

第三步：立即应用

第三步是行动号召性质的——"áp dụng ngay hôm nay"，今天就上手。ViCode把它包装成"成为AI时代领先程序员"的口号。抛开营销语气，这一步的实质含义是：Agentic Loop不是未来概念，现有的AI编程工具已经具备配置这个循环的能力，差别只在于开发者是否主动去搭。

这个机制改变了什么，又留下了什么

改变的是工作粒度和节奏。 开发者不再逐段审查AI输出，而是定义任务、设定规则、检查最终结果和测试覆盖。原本花在"复制报错、描述问题、等待重写"上的往返时间被压缩成代理内部的自动循环。

留下的是审查责任。 Agentic Loop能自动修掉语法错误、类型不匹配、测试失败这类有明确信号的问题，但它无法判断需求本身是否理解正确、架构选择是否合理。规则写得越松，AI自主循环的空间越大，跑偏的代价也越大。因此system prompt里的边界设定和单元测试的覆盖质量，实际上决定了这个机制是提效工具还是返工来源。

ViCode的这则内容篇幅极短，没有展开具体工具配置和循环终止策略的细节，属于方向性提示而非完整教程。但它点出的三步——明确规则、测试先行、闭环执行——构成了Agentic Loop的最小可行框架，对于正在使用具备终端执行能力的AI编程工具的开发者来说，是一个可以直接落地的起点。