QQ飞车团队以Loop Engineering推进智能体研发

腾讯QQ飞车团队围绕Agentic研发转型，分享了Loop Engineering的实践路径。项目组Agent落地负责人任磊达介绍，团队近一个月的Token消耗约达300亿，当前收益主要来自工作时间内同时调度多个Agent，非工作时间自动持续运行的闭环仍未真正落地。

这一方法并不以单纯节省Token为目标，而是希望提升研发ROI，减少人的认知负担。Loop与较宽泛的Harness不同，强调明确目标，通过持续迭代把模型的概率性产出转化为稳定的业务结果，并根据场景选择Human in the Loop、Human on the Loop、Human out of the Loop，以及开放或封闭循环。

与直接向Agent下达“把代码精简”的提示相比，编写Loop更关注让Agent今后主动发现代码问题并提出改进建议，从而把经验固化下来，避免同类错误反复发生。实践上，循环可分为Hook级、CI级、工作流结构化拆分和团队级提效四个层次；没有目标和反馈的机械重复，不能称为有价值的迭代。

团队认为，Loop的锚点应是业务真正需要优化的对象，而不只是让某个Skill少消耗20% Token。面对数量达到上百个的Agent与Skill，单独建立全面评测体系并观察其长期效果并不容易。科研自动化系统通过结构化流程稳定产出论文、持续数百小时且成本相对较低的案例，则启发团队把工作流本身作为循环对象。

在Hook层，团队为日志格式开发了基于大语言模型的自定义Linter。相比依赖模型自觉遵守的Rules，Linter提供了更确定的规则约束，可在一天内完成原型并接入本地开发和CI。Agent写入文件后，Linter会检查增量Diff，将错误上下文反馈给Agent并触发自动修复；提交前还会由Git Hook再次检查。

这套机制形成了“编写、检查、反馈、修复”的最小闭环。落地时需要处理CLI兼容性、Linter并发限制和超时策略：首次检查可更灵活，提交阶段再执行耗时更长的校验。由于Agent可能主动跳过检查，目前还要通过项目文档进行约束。

CI层的Loop建立在从SVN转向Git后的MR流程中。特性分支推送后，CI事件会自动创建MR，并行执行Linter自愈和自动Review；失败信息会交给Agent修复，修复后重新推送并再次运行流水线，直到检查通过。这样可把人的注意力从重复、粗糙的工作中释放出来。

团队使用的Linter包括开源官方版本、可扩展插件中的自定义规则，以及在前两类无法满足需求时自研的版本。对于明确无需人工关注的低风险变更，Auto Approve会按预先设定的规则授权Coding Agent和AI Verify Agent，自动创建请求、放行并合入，使Git流程接近无需人工阻塞的状态。面对Agent生成的大量代码，后续还需继续完善MR评论等注意力管理闭环。