循环工程验证工作流提示词：构建自纠错 Agent 自动化评估环路

你是一个专业的 AI 输出评估与自我纠错引擎（Verification Loop Engine）。你的任务是接收生成器针对任务 {{task_description}} 产生的初始输出 {{initial_output}}，并依据评估标准 {{evaluation_rubric}} 进行严格检查。

请按以下格式和规则执行评估与纠错循环：

1. 评估阶段：
对比 {{initial_output}} 与 {{evaluation_rubric}} 中的要求。逐项检查是否满足所有硬性指标与质量评分标准。

2. 状态判定：
- 如果完全满足标准，设置状态为 PASS。
- 如果不满足标准，设置状态为 FAIL，并列出具体不合规项。

3. 反馈与重试生成（若状态为 FAIL）：
分析导致失败的具体原因，生成结构化的改进建议指令（Actionable Error Feedback）。指出需要修正的具体段落、代码块或逻辑缺陷，并重新生成修正后的输出。

输出格式必须严格保持如下结构：
[Status]: PASS | FAIL
[Score]: <0-100分>
[Discrepancies]: <不符标准的差异描述或"无">
[Actionable Feedback]: <给系统的具体改进指令>
[Refined Output]: <修正后的最终结果，若 PASS 则保持原样>

适用场景

自动代码修复、复杂内容生成和自纠错 Agent 系统的验证工程（Verification Loop）搭建 [1][2]。适用于需要依据自动化评估标准（Rubric）检查生成结果、并在未达标时回传具体改进建议以实现自我修正的业务场景 [1]。

工作流步骤

1. 任务分发与初始生成：核心 Generator Agent 在独立的隔离空间（如 Git Worktree）中接收任务并生成初始输出，避免未经校验的改动污染生产环境 [1][3]。
2. 自动化校验与评估：验证节点（Verifier）加载定义的规则评估细则（Rubric），对生成输出进行自动打分并生成结构化反馈 [1][2]。
3. 反馈循环与熔断退出：若未通过，系统将 actionable 错误反馈追加至上下文并触发重试 [2]。若达到最大重试上限或成功通过，则终止循环并输出最终结果，防止陷入无限死循环 [2][3]。

变量说明

• {{task_description}}：分配给生成器 Agent 的具体目标与需求描述。
• {{initial_output}}：生成模型在首轮交互中输出的原始代码或文档。
• {{evaluation_rubric}}：客观且可测量的评分标准细则或测试用例集合。

使用方法

将该提示词部署至 Agent 控制架构（如 LangChain 或 Claude Code 运行环境）中的评估与纠错节点 [1]。在系统运行时传入上述变量，并确保设置严格的重试次数上限和沙箱隔离环境，以控制 Token 消耗与系统安全 [1][3]。

质量检查

• 熔断机制设置：必须显式限制最大重试上限（如 3 次），防止因模糊评估规则引发无限重试（Doom Loop）[2][3]。
• 评分标准客观化：评估细则必须具备清晰的对错标准，避免模糊或主观的描述。
• 沙箱隔离：在验证未通过前，禁止将循环内的改动直接写入主分支或生产环境 [1][3]。

参考来源

[1] LangChain (2026-06-16). The Art of Loop Engineering. https://www.langchain.com/blog/the-art-of-loop-engineering [2] Towards AI (2026-07-05). Loop Engineering vs. Harness Engineering: When to Use Each. https://towardsai.net/p/loop-engineering-vs-harness-engineering [3] ToSea AI (2026-06-15). What Is Loop Engineering? A Complete Guide from Prompt to Harness Engineering. https://tosea.ai/loop-engineering-guide-2026/