为什么 AI 编程要加"交付层"?Loom 一次性破解 6 大断点难题
为什么 AI 编程要加"交付层"?Loom 一次性破解 6 大断点难题
AI 编程早已不是新鲜事,但"能写代码"和"能交付"之间,往往隔着 6 道断点。Loom 是一个开源 AI 编程交付层(delivery harness),运行在 Codex、Claude Code、OpenCode 等 coding agent 旁边,把一次性对话变成"规划 → 构建 → 测试 → 修复 → 预览 → 交接"的可恢复交付循环,并持久化需求、任务进度、测试结果与修复记录,让 AI 编程任务真正走到可验证的终点。
6 大断点:AI 编程为什么总差"最后一公里"
| # | 断点 | 典型表现 |
|---|---|---|
| 1 | 上下文丢失 | 会话一关,进度清零,只能从头再来 |
| 2 | 半成品交付 | 做到一半就宣布"已完成",没有证据 |
| 3 | 目标漂移 | 重新开会话后,需求和技术选型悄悄变了 |
| 4 | 上下文爆炸 | 反复扫全仓库,token 预算被无关文件吃光 |
| 5 | 自检偏差 | agent 自己检查自己,缺陷直接放行 |
| 6 | 交接缺口 | 没有日志、预览和修复记录,没人敢接手 |
这些断点不是模型能力问题,而是工程结构问题。Loom 的思路是给 agent 补上一个"有状态的交付层":状态落盘、步骤有边界、证据可检查。
断点 1:上下文丢失——会话关闭,进度清零
大多数 agent 只有会话内的记忆,关闭窗口、断网、上下文压缩,一切归零。
Loom 的应对是把交付状态持久化在项目本地 .loom/ 目录:上下文、任务计划、结果记录、review 记录、修复请求和部署证据全部落盘。重新打开 agent 会话后,只需一条命令:
@loom continue # Codex
/loom continue # Claude Code / OpenCode
Loom 就会基于已保存的状态路由下一步,不需要你重述需求。底层的状态机由 transition.rs 中的 TransitionEngine 驱动,配合操作租约(operation_lease.rs)防止并发会话互相踩踏;每次流转决策还会写入诊断日志(transition_diagnostics.rs),便于复盘。
断点 2:半成品交付——"完成了"三个字不算数
agent 经常做到一半就输出"Done"。Loom 给每个任务划出明确边界:读取范围、写入边界、验证意图、结果模板。任务必须写出带证据的结构化结果(TaskResult),提交给 Loom 校验、归一、持久化之后,才会路由到下一步——没有证据,就没有"完成"。
任务拆分与结果模板由 task_plan.rs 和 task_result.rs 承载,校验逻辑集中在 validation.rs 与 contracts/ 契约库中。
断点 3:目标漂移——新会话里的"它"已经不是"它"
重新开会话后,agent 会按自己的理解重新解释需求,范围、边界和技术选型悄悄走样。
Loom 在需求澄清阶段就把已确认的 scope、业务规则和架构决策持久化,后续所有阶段只复用已接受的契约,而不是每次重新推导。规划与架构基线由 planning/ 和 architecture/ 两个 crate 负责,架构决策被编码为紧凑 id,在规划、执行、评审、修复之间传递,防止中途"换个技术栈重来"。
断点 4:上下文爆炸——token 全花在重复读文件上
长任务里 agent 反复读取整个仓库,关键需求反而被挤出注意力窗口。
Loom 采用目标式上下文路由(Context Routing):agent 只读取当前请求声明的字段组,而不是整份大文件。参考知识按任务归属精准选择——技术参考库位于 plugins/shared/loom/references/tech/,涵盖架构(arch)、API 设计(api)、语言与 SQL(code)、前后端框架、评审与 Playwright 验证等,只加载当前任务真正需要的部分。
断点 5:自检偏差——自己检查自己,等于没检查
"实现"和"验证"必须分离。Loom 将 review 设为独立阶段,使用结构化 review 信号而非口头声明,每个修复请求都对应证据;环境类失败(如浏览器启动失败)会保留为环境证据,不会被误报成代码缺陷。评审与修复循环由 review.rs 和 repair.rs 实现,评审规范沉淀在 review 参考库 中。
断点 6:交接缺口——能跑不等于能交接
交付的最后一步是"别人能接手"。报告、日志、预览证据、修复历史,缺一不可。
执行 @loom deploy 后,Loom 会生成本地 Docker Compose 预览:拓扑感知的服务编排、构建上下文、端口规划、健康检查、日志与修复边界都由 deploy/ crate 准备并校验,部署方法论参考见 plugins/shared/loom-deploy/。接手者看到的不是一个黑盒,而是一套可检查的交付状态。
3 步上手:安装、启动、驱动交付
1. 安装——仓库自带 install.sh(Windows 用 install.ps1),会自动识别系统与 CPU、安装 Rust MCP server、写入 agent 的 MCP 注册、刷新本地插件并执行 loom-setup doctor 自检。重复执行同一命令即为升级。
2. 启动交付:
/loom build a visitor registration system # 或 @loom build ...(Codex)
首次运行会自动初始化项目本地的 .loom/ 交付状态,无需手工建目录。
3. 驱动循环:
/loom status # 只读检查,STATE_NOT_INITIALIZED 属正常冒烟结果
/loom continue # 恢复或推进当前交付的首选入口
/loom review # 进入结构化评审
/loom deploy # 生成可检查的本地预览
交付层之外,Loom 还提供什么
- 多 agent 兼容:同一套 MCP 交付协议跑在 Codex、Claude Code、OpenCode 上,插件入口见 plugins/claude-code/ 与 plugins/codex/
- 本地知识库:把产品规则、设计规范注册成具名知识源,需求澄清时只读取匹配片段,命令如
/loom knowledge add、/loom knowledge build - 算法运行时:内置 BM25 / TF-IDF 检索与分词(src/python/algorithms/),支撑知识库的语义构建
- MCP 服务端:Rust 实现的运行时位于 src/rust/mcp-server/,2026 年 7 月由 TypeScript 迁移而来,核心更小更快
更多真实交付案例可参考 使用场景(游戏、金融工作台、Web 站点、移动端 App),Godot 用户可看 Godot 指南。
小结:把 AI 编程从"生成"升级到"交付"
Loom 解决的不是"让 agent 写得更快",而是让软件走完从代码到可验证终点的全链路:状态可恢复、任务有边界、评审有证据、交接可检查。当你让 AI 做的不再是一个 demo,而是一个需要维护、测试和交接的系统时,这个"交付层"就是最划算的一次性投资。



