O que é Loop Engineering: como projetar agentes de IA que funcionam sem supervisão humana

Do prompt ao loop: a evolução da engenharia de agentes

Loop engineering é a disciplina de projetar o sistema que faz prompting, verificação, memorização e re-execução de um agente de IA — em vez de uma pessoa fazer tudo isso manualmente, turno por turno. A unidade de trabalho deixa de ser um prompt único ou uma conversa e passa a ser um ciclo que se repete: o modelo age, recebe feedback do ambiente, decide o próximo passo e continua até que uma condição real e verificável seja atingida.

O termo explodiu em junho de 2026, quando o desenvolvedor Peter Steinberger postou no X que a habilidade relevante já não era fazer prompting de agentes, mas projetar os loops que fazem o prompting por você. O post ultrapassou 6,5 milhões de visualizações. No dia seguinte, o engenheiro do Google Addy Osmani publicou o ensaio “Loop Engineering”, dando anatomia ao conceito: automações, worktrees, skills, conectores e sub-agentes.

As quatro camadas da engenharia de IA

Loop engineering não surgiu do nada — é a camada mais recente de uma progressão que começou com prompt engineering (2022–2024), passou por context engineering (2025), harness engineering (início de 2026) e agora chega ao loop. Cada camada contém a anterior: o loop contém o harness, que contém o contexto, que contém o prompt.

Anatomia de um loop confiável

Um loop de produção tem cinco componentes essenciais:

• Meta com condição de término testável: “Fazer o app melhor” não serve. “Fazer todos os testes do módulo de auth passarem” é verificável mecanicamente.
• Ferramentas que tocam o ambiente real: execução de código, sistema de arquivos, terminal, test runner, linter. Sem elas, o agente apenas adivinha.
• Gestão de contexto: cada iteração adiciona mais ao registro. Sem compactação ou sumarização, o loop sofre de “context rot” — o modelo perde atenção ao que importa.
• Condições de término e escalação: limite máximo de iterações, orçamento de tokens, detecção de falta de progresso. Quando o loop trava, ele precisa escalar para um humano, não queimar créditos indefinidamente.
• Tratamento de erros com distinção: diferenciar um erro recuperável (import errado) de um bloqueador permanente (credencial ausente).

O esqueleto em pseudocódigo

Quase todo loop de produção segue uma estrutura similar: inicializa o estado com a meta, itera com limite máximo de passos, faz o modelo raciocinar e escolher uma ação, executa no ambiente real, atualiza o estado, compacta o contexto, verifica se a meta foi atingida e, se não, detecta falta de progresso para escalar ao humano.

A pesquisa por trás disso remonta a 2022: o padrão ReAct (Reason + Act) estabeleceu a intercalação de raciocínio e ação; o Reflexion (2023) adicionou memória e autocrítica; e o guia “Building Effective Agents” da Anthropic (2024) formalizou padrões como evaluator-optimizer e orchestrator-workers.