English | 中文 | Español | Français | Deutsch | 日本語 | 한국어 | Português | Ajudar a traduzir | Página inicial | Espelho no Hugging Face
> Uma lista curada e orientada à implementação para **Loop Engineering**: a camada acima de prompt, context e harness engineering para projetar sistemas recorrentes de agentes de IA. 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. Este repositório trata do novo significado de Loop Engineering no contexto de AI agents e coding agents. Ele não trata de event loops de software, teoria de controle, growth loops, automação genérica ou feedback loops não relacionados a IA. Além da lista, este repositório inclui 15 patterns de loop, um loop contract validado por schema para cada pattern, 6 templates de loop executáveis, 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 A lista completa de recursos fica no README canônico em inglês: [README.md](README.md). Leituras recomendadas: - [Loop Engineering](https://addyosmani.com/blog/loop-engineering/) - Define a mudança de prompting manual para sistemas que promptam, verificam e continuam. - [Run long horizon tasks with Codex](https://developers.openai.com/blog/run-long-horizon-tasks-with-codex) - Runbook prático para plan-edit-test-observe-repair-document-repeat. - [Run prompts on a schedule](https://code.claude.com/docs/en/scheduled-tasks) - Mecânica oficial para `/loop`, scheduled tasks e prompts recorrentes. - [Building Effective Agents](https://www.anthropic.com/engineering/building-effective-agents) - Patterns componíveis para workflows e 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.