Loop engineering to zmiana paradygmatu w użytkowaniu AI - zamiast sekwencyjnych prompt-response jak w wyszukiwarkach z 2015 roku, agenty pracują w zamkniętych pętlach aż osiągną cel. Model sam planuje następne kroki, wykonuje je, weryfikuje wyniki i powtarza proces do momentu sukcesu lub osiągnięcia maksymalnej liczby iteracji.
Na praktycznym przykładzie autoresearch Andreja Karpathyego widać, jak to działa w praktyce. Projekt opublikowany 7 marca 2026 to zaledwie 630 linii kodu zawarte w trzech głównych plikach, ale implementuje wszystkie niezbędne elementy. Pierwszym jest weryfikator - mechanizm oceniający każdą próbę agentu poprzez testy, metryki lub aktualizacje w kodzie. Bez tego agenty po prostu potwierdzałyby własne działania w kółko. Drugim elementem jest state - prostoliczbowy plik śledący, co zostało spróbowane, co się nie powiodło i co pozostaje do zrobienia, umożliwiający kontynuowanie pracy zamiast restartowania od zera.
Trzecią, krytyczną częścią jest stop condition - warunek zapobiegający niekontrolowanemu zużywaniu zasobów. Pętla kończy się gdy cel zostanie osiągnięty lub po N próbach. Ta kombinacja wyróżnia prawdziwą autonomiczną pętlę od zwykłego chatbota na repeat. Loop engineering ma sens ekonomiczny tylko gdy praca jest mierzalna - dlatego sprawdza się doskonale w machine learning research, gdzie każdy eksperyment ma jasno zdefiniowane metryki sukcesu. Podejście otwiera możliwości dla agentów AI pracujących nad rzeczywistymi problemami badawczymi bez ciągłego nadzoru człowieka.