用 Loop Engineering 检查理解
Loop Engineering 不是背概念，而是看你能否解释 AI 为什么这样生成、代码为什么能运行、哪里可能出错。
自助答题考试
找到下一个要练的 AI 编程能力
每个主题 10 道场景题，配合学习信息图，测试让 AI 辅助开发变可靠的习惯：上下文、拆解、验证和迭代。
测评进度
已答 0/4
证书线：单主题答对至少 8/10 题，并在同一分类完成 4 个达标主题。
快速诊断
AI 学习效果检测
即时解释
回答 0/4 题后即可提交。
关键词密度与学习目标
Loop Engineering 学习目标
Loop Engineering 测评会把抽象概念转成真实 AI 编程场景：你需要判断怎样给 AI 上下文、怎样拆解任务、怎样验证结果，以及什么时候应该迭代。完成 Loop Engineering 后，学习者能把这类能力说清楚、做出来、检查过。
把 Loop Engineering 放进项目
每道 Loop Engineering 场景题都对应真实工作流：写提示词、读 diff、跑验证、复盘错误，让学习从答案进入项目。
用 Loop Engineering 训练验证
Loop Engineering 的最终目标是让你不只相信 AI，而是能用清单、测试和页面状态证明 AI 生成的结果可靠。
Loop Engineering 学习信息图重点
一张 16:9 学习地图，用闭环展示 Loop Engineering 的核心流程：先明确目标和上下文，再制定方案、小步实现，通过测试复现、失败反馈、线上验证和用户反馈不断迭代到验收。
Loop Engineering 测评怎么用
- 1
先用 Loop Engineering 做诊断
先完整回答 Loop Engineering 题目，不急着查答案，用第一反应暴露真正的理解缺口。
- 2
阅读 Loop Engineering 解释
提交后对照解释，看自己错在上下文、拆解、验证还是迭代，把 Loop Engineering 错题变成具体练习。
- 3
围绕 Loop Engineering 练一小步
选择一个 Cursor 或 Claude Code 小任务，把 Loop Engineering 的原则写进提示词和验收标准。
- 4
复测 Loop Engineering 分数
练习后回到 Loop Engineering 测评，观察分数和解释质量是否一起提升。
Loop Engineering 题目预览
- 阅读 Addy Osmani 的 Loop Engineering 后，你要给团队解释它和“写一个更好的 prompt”有什么不同。下面哪种说法最贴近原文？
- 你准备搭一个每天自动检查项目风险的 AI 工作流。按照 Addy 文中的结构，哪一组最像一个完整 loop 的基础设施？
- 团队每天早上都让一个人手动查看 CI 失败、最近提交和 open issues，再决定要不要找 AI 修。更符合 Loop Engineering 的做法是什么？
Loop Engineering 测评常见问题
Loop Engineering 测评能证明什么？
Loop Engineering 测评不能替代正式考试，但能证明你是否理解关键场景，是否能解释 AI 输出，并能把 Loop Engineering 落到真实项目检查里。
Loop Engineering 分数多少算合格？
当前 Loop Engineering 证书线是 10 题中至少答对 8 题。更重要的是复盘错题解释，确认 Loop Engineering 的薄弱点已经变成下一次练习。
答完 Loop Engineering 后应该练什么？
建议选一个很小的真实功能，用 Loop Engineering 的方法写提示词、拆步骤、跑验证，再让 AI 解释代码和潜在风险。
为什么给 Loop Engineering 单独做内页？
因为 Loop Engineering 本身就是学习者会搜索的核心关键词。独立 URL 能集中承载 Loop Engineering 的标题、描述、题目、FAQ 和学习路径，更利于 SEO 收录。
用 Loop Engineering 找到下一步
完成 Loop Engineering 后，把错题解释整理成一个练习清单，再回到 VibeCoding 继续测下一个 AI 编程主题。