В июне 2026 года случился тихий переворот в работе с AI-агентами. Фраза Бориса Черны из Anthropic — «Я больше не промптирую Claude, у меня запущены loops, которые сами промптируют модель и решают, что делать дальше» — облетела индустрию за несколько дней. Addy Osmani из Google дал этому явлению имя: loop engineering. Одна из публикаций на эту тему набрала 6,5 млн просмотров за неделю. Разберёмся, что это значит на практике для тех, кто автоматизирует бизнес-процессы с помощью n8n, Telegram-ботов и LLM.

От промпта к системе: три этапа эволюции

Чтобы понять масштаб сдвига, полезно увидеть путь целиком:

• 2023-2024 — prompt engineering. Искусство написания идеального запроса. Один промпт — один результат.
• 2025 — context engineering. Фокус смещается на то, какую информацию видит модель при инференсе: RAG, память, инструменты.
• 2026 — loop engineering. Оптимизируется вся система запуска модели: что инициирует работу агента, как результаты инструментов возвращаются обратно, когда нужен retry, когда остановиться.

Каждый этап не отменяет предыдущий, а надстраивается над ним. Хороший промпт внутри слабого loop всё равно провалится — агент будет дёргать не тот инструмент по кругу, жечь токены на бессмысленные повторы или рапортовать об успехе раньше времени.

Из чего состоит рабочий loop

По сути, agentic loop — это простейший цикл: действие → наблюдение → решение → повтор. Но чтобы он работал в продакшене, нужны пять компонентов:

1. Scheduled automations

Триггер, который обнаруживает и сортирует работу — по расписанию или по событию. Без него агент не знает, когда просыпаться.

2. Git worktrees для параллельных агентов

Возможность запускать несколько инстансов агента одновременно, не мешая друг другу.

3. Skills — захват знаний проекта

Накопленный контекст: что уже пробовали, что сработало, какие есть ограничения домена.

4. Plugins и MCP-коннекторы

Интеграция с реальными инструментами — CRM, базами данных, API, тем же Supabase.

5. Sub-agents: maker и checker

Разделение ролей: один агент делает работу, другой — независимо проверяет результат. Это и есть верификатор — центральный элемент всей парадигмы.

Верификатор важнее промпта

Ключевая мысль loop engineering звучит просто: вы больше не определяете, что сказать модели — вы определяете, что значит «хорошо» и «готово». Условие остановки, схема проверки результата, критерий эскалации на человека — вот что теперь проектирует автоматизатор.

Практический пример из моей практики: вместо ручного промптирования для классификации входящих документов, вы собираете loop, который каждые 30 минут ищет новые файлы, классифицирует их через агента, сверяет результат с JSON-схемой (обязательные поля, допустимые значения) и либо сохраняет данные, либо передаёт кейс человеку. Вы вмешиваетесь только на границах — там, где верификатор говорит «не уверен».

Экономика loop: почему это не только инженерия

Когда модели научились писать код почти бесплатно, деньги стали утекать не на инференс, а на управление самим циклом — бесконечные retry, избыточные вызовы инструментов, зависшие агенты. Uber в 2026 году ограничил инженеров бюджетом в $1500 в месяц на Claude Code после того, как за четыре месяца сжёг годовой AI-бюджет. Это делает stop conditions и верификацию не факультативной практикой, а прямой статьёй экономии.

Что это значит для автоматизаторов на n8n и no-code

Роль меняется фундаментально: вы перестаёте быть оператором, который вводит команды, и становитесь системным дизайнером. В связке с n8n это означает: не статичный workflow «триггер → промпт → ответ», а адаптивная система с обратной связью, где агент сам решает, повторить попытку, эскалировать или завершить задачу — в рамках заданных вами guardrails.

К июлю 2026 года дискурс уже пошёл дальше — к graph engineering, который делает программируемыми целые организации из агентов. Но loop остаётся фундаментальным строительным блоком: задача с проверкой. Всё остальное — выбор модели, harness, MCP, sub-agents — вторично.

Вывод

Если вы всё ещё оттачиваете формулировки промптов вручную для повторяющихся задач — вы решаете вчерашнюю проблему. Настоящий рычаг сейчас в проектировании циклов: чётких целей, условий остановки и надёжных верификаторов. Это тот навык, который стоит развивать в 2026 году в первую очередь.