5分钟搭建AI Agent自动化工作流
本文带你从零开始，使用loop-engineering工具链将普通项目改造成AI Agent自动化巡检工作流。掌握loop-init初始化、loop-doctor诊断、loop-cost成本预估及状态查看，获得可复用、可升级的AI Agent编排模板。
5分钟搭建AI Agent自动化工作流
给AI编程工具写Prompt，和写shell脚本本质一样——你写得再细，它执行完就结束了，下次还得重新来。
loop-engineering（GitHub 10k+星）提出的思路很直接：与其每次手动告诉AI做什么，不如设计一套自动循环系统，让系统自己驱动AI干活。
这篇教程带你从零开始，用loop-engineering的CLI工具链，5分钟内把一个普通项目改造成具备AI Agent自动化巡检能力的工作流。
前置条件
开始前确认：
- Node.js ≥ 18：工具通过npx分发，无需全局安装
- Git仓库：在已有Git项目中操作，或
mkdir my-loop-demo && cd my-loop-demo && git init创建空仓库 - AI编程工具：支持Grok、Claude Code、Codex等任一工具
- npm可访问外网：首次npx会从npm下载包
第一步：用loop-init初始化项目模板
切换到项目根目录，执行初始化命令：
bash
npx @cobusgreyling/loop init . --pattern daily-triage --tool grok参数说明：
--pattern daily-triage：使用"每日巡检"模式，token消耗低，第一周只出报告不自动修复，安全性最高--tool grok：指定AI工具，可换为claude、codex、opencode等
运行后你会看到：
✓ Created STATE.md
✓ Created skills/triage.md
✓ Created budget.yaml
🏆 Loop Ready Score: 35/100 (L1 - Report Mode)
→ Next: run "npx @cobusgreyling/loop doctor ." for top 3 actions空项目初始化分数低很正常，还缺少完整的约束文件和运行日志。Skills文件定义Agent该干什么，State是跨对话的持久化记忆，Budget控制token消耗上限。这些文件的结构和命名由项目定义，手动写错字段可能导致Agent行为异常。
第二步：用loop-doctor做健康检查
loop doctor将审计+同步检查+文件校验打包成一条命令，直接告诉你"现在最该做哪三件事"：
bash
npx @cobusgreyling/loop doctor .输出示例：
📋 Top 3 recommended actions:
1. Add constraints file (.loop/constraints.yaml) → +15 points
2. Create run-log.json for execution history → +10 points
3. Verify STATE.md syntax → +5 points
Current Score: 35/100 → Projected: 65/100 (L1)先跑doctor再动手，因为它的建议是项目作者根据上千次Loop运行经验总结的优先级排序。按建议走，分数提升是线性的。
第三步：实战运行Daily Triage Loop
成本预估
让Agent干活前，先用loop-cost估算token消耗，避免预算超支：
bash
npx @cobusgreyling/loop cost --pattern daily-triage --level L1L1模式（仅报告）日消耗通常在几百到几千tokens，非常低。升到L2（协助修复）成本会显著更高，作者建议第一周先用L1观察。
启动第一次巡检
初始化完成后，loop init会打印首次Loop命令。用Grok大致是：
text
/loop 1d Run loop-triage. Update STATE.md. No auto-fix in week one.含义拆解：
/loop 1d：Loop模式运行，周期1天Run loop-triage：执行巡检任务Update STATE.md：结果写到状态文件No auto-fix in week one：第一周只做报告，不自动修改代码
L1阶段Agent没有写入代码的权限，只读取和报告。先观察再重构，别一上来就让机器改核心代码。
查看执行状态
巡检跑完后：
bash
npx @cobusgreyling/loop status .这会展示STATE.md内容摘要、最近一次运行日志和当前分数。分数随每次执行逐步提升，从35→65→80+，对应L1（仅报告）→L2（协助修复）→L3（无人值守）的升级路径。
核心模式一览
loop-engineering提供7种生产级Loop模式，每种都有预设周期和token成本评估：
| 模式 | 周期 | 第一周行为 | Token消耗 |
|---|---|---|---|
| Daily Triage | 1天~2小时 | L1仅报告 | 低 |
| PR Babysitter | 5~15分钟 | L1监控 | 高 |
| CI Sweeper | 5~15分钟 | L2谨慎修复 | 极高 |
| Dependency Sweeper | 6小时~1天 | L2仅补丁 | 中 |
| Changelog Drafter | 1天或按tag | L1仅草稿 | 低 |
| Post-Merge Cleanup | 1天~6小时 | L1非高峰执行 | 低 |
| Issue Triage | 2小时~1天 | L1仅建议 | 低 |
不确定用哪个时，loop-init不传--pattern参数，CLI会交互引导选择。
踩坑提醒
- Windows路径问题：CRLF已知问题（Issue #483），建议WSL或Git Bash运行，避免换行符错误导致解析失败
- L1阶段别开自动修复：Agent不了解代码基线，自动修复可能引入隐蔽bug
- Token成本会膨胀：直接上L3加sub-agent执行，消耗可能是L1的10~50倍，务必先用
loop-cost评估 - 理解债务：Agent提交的代码不逐行看，债务累积会越来越快。Loop帮你省时间，你依然要对代码负责
- 同一套Loop结果因人而异：执行质量取决于STATE.md和Skills文件质量，写得详细和写得模糊结果天差地别
总结与后续
完整流程回顾：
loop init→ 初始化模板，获取Loop Ready分数loop doctor→ 获取Top 3改进建议loop cost→ 预估token消耗- 启动L1巡检 → Agent仅报告不修改
loop status→ 查看执行结果
整个过程不超过10分钟，项目就拥有了可迭代、可审计、可升级的AI Agent工作流框架。
后续建议：
- Loop Ready Score达80+后，加
--with-foundry参数，把Loop版本化为可组合的运行时栈 - 接入CI查看
loop-action（GitHub Actions集成） - 多Agent团队研究
fleet-engineering和memory-engineering，解决跨Agent记忆和治理问题
"Build the loop. But build it like someone who intends to stay the engineer, not just the person who presses go."
设计Loop时，要以"我仍是负责这个系统的工程师"的心态去建，而不是只管按启动键的人。