本文

• 本專案靈感源自 Anthropic 工程師 Boris Cherny 於 2025 年 6 月 Acquired Unplugged 活動中所提出的 Loop Engineering 概念。

• 常見的 AI 工作流採用 Harness Engineering 單向流程，無法多次自我修正優化。更致命的問題是，如果我們只依賴「同一個 AI」來兼任撰寫者與檢查員，往往會陷入自我過度信任的陷阱。AI 會對自己剛生成的內容產生盲點，難以跳脫原本的生成邏輯，導致最終輸出容易帶有偏差、Hallucination。

• 為了解決上述痛點，我在迴圈中加入了一個獨立的 AI Agent 作為觀察者(第二工作流)。在系統設計上，只提供給它最純粹的客觀資料，使其以第三方視角來嚴格檢驗內容。這種架構能夠避免單一 AI 自我護短的問題，提升了最終生成結果的正確性、客觀性與可信度。

• 本專案目前的 Prototype ，已成功驗證了 Loop Engineering 架構的可行性。在理想狀態下，系統從分析、檢索、多次迴圈修正到最終產出一份深度研究內容，整體時間原本可以壓縮至約 4 分鐘 內完成。然而，在實務方面由於部分學術網域（例如 ArXiv 等）對於 API 呼叫頻率有 Rate Limit 限制，為了確保整體流程的穩定性，目前的流程中加入了計時器延遲觸發，使整體時間被拉長至兩倍左右。

未來展望

• 未來，我將專注於以下兩個點進行優化：
  • 1. 降低 Rate Limit 帶來的影響
  • 2. 提升檢索效率