Skip to content
Projekte

ChaoYue0307/awesome-loop-engineering

Auf GitHub ansehen

ChaoYue0307/awesome-loop-engineering has 60 GitHub stars and 9 forks. GitHot measured +1 stars in 24 hours. Last checked 2026-11-16 19:43 UTC. Last push 2026-11-03.

So werden diese Zahlen gemessen

Gemessener Sternzuwachs

in 24h
+1
in 7 days
Verlauf wird gesammelt
in 15 days
Verlauf wird gesammelt
in 1 month
Verlauf wird gesammelt

Nettoänderungen in überlappenden Zeiträumen, keine Tagessummen. Fehlende Messwerte bleiben leer. Sterne zeigen Interesse, nicht Qualität.

Über uns

🔁 Build reliable recurring AI-agent systems: 1022 resources, 22 operational patterns, 22 loop contracts, 8 runtime starters, an interactive atlas, and a structured dataset.

Lernen

README.de.md

Original

Awesome Loop Engineering

Awesome Loop Engineering cover

English | 中文 | Español | Français | Deutsch | 日本語 | 한국어 | Português | Beim Übersetzen helfen | Landingpage | Hugging-Face-Spiegel

Entwirf wiederkehrende KI-Agenten-Systeme mit klaren Auslösern, externer Verifikation, dauerhaftem Zustand, begrenzten Budgets und menschlicher Übergabe.

Prompt Engineering verbessert, was man dem Modell sagt. Context Engineering verbessert, was das Modell sehen kann. Harness Engineering verbessert Werkzeuge, Berechtigungen, Sandboxes und Prüfungen rund um einen einzelnen Agentenlauf. Loop Engineering liegt über allen drei Ebenen: Es entwirft Systeme, die Agenten auslösen, überwachen, Ergebnisse prüfen, Zustand speichern und erneut laufen.

Ein Loop entdeckt Arbeit, übergibt sie an einen oder mehrere Agenten, prüft das Ergebnis, speichert Zustand, entscheidet den nächsten Schritt und läuft erneut nach Zeitplan oder bis ein überprüfbares Ziel erreicht ist.

Loop Engineering umfasst wiederkehrende KI-Agenten- und Coding-Agent-Systeme mit expliziten Auslösern, Verifikation und dauerhaftem Zustand. Software-Event-Loops, Regelungstechnik, Growth Loops, generische Automatisierung und nicht-KI-bezogene Feedback-Loops gehören nicht dazu.

Starte mit 1022 Ressourcen, 22 operativen Loop-Patterns, 22 schemavalidierten Loop-Contracts und 8 Runtime-Startern (3 ausführbare Programme und 5 anpassbare Vorlagen), ergänzt durch eine Community-Galerie und 8 Sprachen.

Mentales Modell

  • Prompt Engineering fragt: Was soll ich dem Modell sagen?
  • Context Engineering fragt: Welchen Zustand und welches Wissen soll das Modell sehen?
  • Harness Engineering fragt: Welche Werkzeuge, Berechtigungen, Tests, Sandboxes und Feedback-Signale sollen den Agenten umgeben?
  • Loop Engineering fragt: Welches wiederkehrende System soll Arbeit entdecken, an Agenten delegieren, Ergebnisse prüfen, Zustand speichern, nächste Aktionen entscheiden und erneut laufen?

Prompt, Context und Harness Engineering verbessern einen einzelnen Lauf. Loop Engineering macht Agentenarbeit über Zeit wiederholbar, beobachtbar und steuerbar.

Loop Contract

Ein nützlicher Loop macht normalerweise diese Bestandteile sichtbar:

Teil Designfrage Typisches Artefakt
Objective Was soll der Loop optimieren? Goal, issue, PRD, runbook
Trigger Wann läuft der Loop? Schedule, webhook, /loop, /goal, automation
Discover / Intake Wie findet der Loop Arbeit? GitHub query, Linear filter, CI failure, feedback stream
Workspace Wo kann der Agent sicher handeln? Worktree, sandbox, branch, container
Context Welches dauerhafte Wissen wird geladen? AGENTS.md, CLAUDE.md, SKILL.md, docs
Delegation Welcher Agent übernimmt welche Aufgabe? Explorer, implementer, reviewer, judge
Verification Was entscheidet über Erfolg oder Fehler? Tests, typecheck, lint, evals, trace graders
State Was bleibt für den nächsten Lauf erhalten? Progress file, checkpoint, trace, issue comment
Budget Wann soll der Loop aufhören zu verbrauchen? Max turns, max retries, token budget, time box
Escalation Wann übernimmt ein Mensch? PR, issue, Slack alert, triage inbox
Exit Woher weiß der Loop, dass er fertig ist? Acceptance criteria, passing checks, no work found

Reifegradmodell

Stufe Name Beschreibung
0 Manual prompting Ein Mensch liest den Zustand und schreibt den nächsten Prompt.
1 Scripted retry Ein Skript gibt Fehler an den Agenten zurück.
2 Scheduled loop Der Agent läuft nach Zeitplan und berichtet Ergebnisse.
3 Stateful loop Fortschritt bleibt über Dateien, Issues, Checkpoints oder Traces erhalten.
4 Self-verifying loop Deterministische Checks oder Evaluator-Agenten blockieren falsche Abschlüsse.
5 Multi-agent loop Spezialisierte Agenten teilen Discovery, Implementierung, Review und Urteil auf.
6 Production-supervised loop Observability, Budgets, Freigaben, Rollback und menschliche Eskalation sind zentral.

Erste Lektüre

Alle Ressourcen findest du im vollständigen englischen Leitfaden: README.md.

Empfohlene Einstiege:

Beitragen

Beiträge sind willkommen. Bitte lies CONTRIBUTING.md, bevor du einen Pull Request öffnest.

Schneller Ablauf:

  1. Prüfe, ob die Ressource Loop Engineering für KI-Agenten/Coding Agents oder eine direkte Grundlage dafür behandelt.
  2. Suche im README, um Duplikate zu vermeiden.
  3. Wähle die spezifischste Kategorie.
  4. Füge einen Eintrag in diesem Format hinzu:
- 📄 **Paper** [Title](https://example.com) - One sentence explaining the resource's contribution to Loop Engineering.
  1. Erkläre im PR Relevanz, Kategorie, Ressourcentyp und Nutzen für Builders.

Übersetzungen

Wenn du eine Sprache pflegen oder hinzufügen möchtest, lies TRANSLATIONS.md. Übersetzungen müssen den engen Scope bewahren und dürfen Event Loops, Growth Loops oder generische Automatisierung nicht in den Umfang ziehen.