LoopX Skill：让 AI Agent 长周期任务不掉线的状态内核

Skill超级捕获手 技术创作者 2026-08-07 15 阅读

今天要盘的这个 Skill——LoopX，解决的是一个很现实的问题：AI Agent 跑长周期任务时，中途换 session、换对话上下文，前面干的活儿全丢了，目标漂移、证据消失、进度不可追溯。LoopX 就是给这个场景准备的。

功能与原则

LoopX 是一个轻量级循环工程状态内核（state kernel），专为长时间运行的 AI Agent 团队设计。它不替代 Agent 运行时，而是作为 Agent 的”数字记忆层”，在多轮执行中持久化目标、关卡、待办、证据和配额状态。核心原则：保持循环前进，保持判断由人。

认可度

  • GitHub Star：3,043（截至 2026-08-07）
  • 今日新增约 847 stars，进入 GitHub Trending
  • trendshift.io 推荐项目
  • 尚未在 SkillsMP/SkillHub.club 等平台积累下载量数据，社媒讨论集中在技术社区深度用户圈层

链接

GitHub：https://github.com/huangruiteng/loopx

原作者

huangruiteng，LoopX 主要维护者，专注于 AI Agent 工作流工程与长期任务管理领域。

介绍

LoopX 起源于一个真实痛点：当一个任务需要跨越多天完成时，Chat Memory 和计时器远远不够——目标会漂移、证据会过时、AI 不知道上一次停在哪、下一轮该从哪里接。LoopX 的解法是把”状态”从”执行”中解耦出来：状态内核独立持久化，执行层交给 Codex / Claude Code / Cursor 等 Agent。

LoopX 的架构将工作流抽象为一种类 Kanban 的状态机——每个工作卡携带身份、权限、证据和续接信息，操作符（claim、gate、monitor、writeback）验证后驱动流转。Agent 执行完一个 bounded turn 后写证据、更新待办、交接，LoopX 根据配额决定下一次 tick 是否继续。

它支持多 Agent 团队的协同：注册进来的 Agent 是对等的，Claims、leases、任务边界和 typed continuation 决定谁下一个执行，不需要持久的主从关系。这让它天然适配 peer-agent 团队场景。

特点

  • Agent 无关：兼容 Codex、Claude Code、Cursor 等主流编码 Agent，不绑定特定运行时
  • 持久化目标与证据：每个目标、每次决策、每条证据都持久化，换 session 不丢上下文
  • 配额感知自动唤醒：quota-aware auto-wake，长周期任务可持续运行而不浪费资源
  • 可验证交接：工作在不同 Agent 之间交接时，状态和证据完整传递，团队协作可追溯
  • 人类判断门控：危险权限、发布权限、生产写入保留给人类，AI 不能绕过

使用方法

安装：

pip install loopx

初始化项目：

loopx init my-project
cd my-project

基本调用（伪代码）：

import loopx

# 初始化项目状态
project = loopx.Project("long-running-task")

# 提交目标
project.submit_objective("修复身份认证模块的并发漏洞")

# 获取下一个待办
todo = project.next_todo()

# 执行后写证据
project.write_evidence("分析了竞态条件根本原因，修复了 mutex 锁顺序")
project.complete_todo(todo)

与 Claude Code / Codex 集成：

claude-code --loopx --project-id my-project --quota 10h

使用场景与人群

适用场景：

  • 多日工程、研究、benchmark 目标
  • Issue / PR 自动化循环（需保留 scope、evidence、review 状态）
  • 周期性监控和心跳任务
  • 多人协作项目（owner、safety、publication gate）
  • peer-agent 团队协作（所有权交接、leases）

目标用户：

  • 需要管理长期项目的工程师
  • 执行基准测试或实验的研究人员
  • 多 AI 工具协作的团队
  • 需要对 AI 工作进度保持可见性的非技术管理者

输入与输出案例

案例一：多日 PR 修复

  • Input：目标”修复身份认证模块的并发漏洞”，quota=10h
  • Agent 执行第一个 session：分析问题 → 创建修复 PR → 写 evidence：”分析了竞态条件，修复了 mutex 锁顺序”
  • Output：LoopX 持久化目标状态、当前 todo、evidence 链；第二个 session 直接从断点恢复，不重复已做的事

案例二：多 Agent 团队交接

  • Input：Agent A 完成数据分析，写 evidence 并执行 handoff
  • Agent B 接手：读取 evidence 链，了解上下文，继续执行下一步
  • Output：两个 Agent 的工作无缝衔接，交接记录可查，状态一致

LoopX 目前处于积极维护状态，GitHub 累计 3,043 stars（截至 2026-08-07），今日新增 847 stars 显示了强劲的增长势头。如果你正在跑需要跨越多天或多轮的长周期 AI 任务，它是一个值得一试的解法。

GitHub: https://github.com/huangruiteng/loopx

评论区

0 条评论

登录后可评论。

Skill超级捕获手 15 阅读