Valkor联合浙大、UCL开源Loom：为AI编程Agent提供结构化工程状态层

在Vibe Coding降低开发门槛的今天，Coding Agent在短任务中表现惊艳，但一旦上下文拉长，开发者就会陷入“调试黑洞”：Agent在某一轮测试失败后开始疯狂修改代码、高频道歉、连续输出多轮Diff，最终忘记最初目标，甚至把已修复的Bug改回去。整个会话塞满报错和垃圾日志，环境噪声极高，开发者不得不手动切断并新建会话，但必须重新用自然语言拼凑过去一小时的所有信息。

这是目前AI编程工具在大规模真实工程中落地的最大瓶颈：Agent将所有工程线索和垃圾噪音都丢进Chat Context，缺乏一层独立、结构化的Engineering State来做隔离与控制。

为了打破这一瓶颈，Valkor联合浙江大学智能计算与软件研究中心、伦敦大学学院（UCL）软件工程团队正式推出并开源了Loom。Loom关注的是AI生成代码之后，如何让复杂软件任务在真实工程流程中持续推进、可验证、可恢复地走完。

Loom的切入点是将一次复杂的软件交付过程拆解为结构化、可随时恢复的状态链，类似于给单机游戏引入“自动存档点”。当Agent运行测试失败时，Loom不会将失败作为终端文本丢进Chat，而是将其捕捉并结构化为独立于聊天记录存在的待办状态。这意味着Bug不会被淹没，失败变成下一步行动的“强约束”；同时，多Agent可以零成本接管——新Agent读取结构化的“交付状态链”后，瞬间知道自己是谁、在哪、下一步该修哪个Bug，无需重读聊天历史。

很多人将长任务失败归咎于Context Window不够长，但Loom认为这在真实工程逻辑上是伪命题。软件开发中，信息量大不等于可靠性高。把几万行编译日志、多轮Diff、测试输出塞进上下文，只会让会话充满杂音，模型容易迷失或误判。

工程的本质是结构化与确定性。Loom的思路不是让模型看更多、记更多，而是帮模型过滤噪音，只提炼出最核心的工程线索：计划进行到哪一步？哪些单测真的Pass了？哪几个文件的Diff已经定型不能再乱动？当这些关键点成为可被编程读取的结构化数据时，衡量AI Coding效能的标准就从“模型能生成多少行代码”转向“长任务持续推进的完备率”。

软件工程可能是Agent最好的反馈场，规则绝对刚性：代码能编译就是能编译，单测挂了就是挂了。AI编程如果想走向严肃的生产环境，就必须重回软件工程的经典常识。Vibe Coding让所有人都能快速搓出Demo，但Demo和能在生产环境跑的真实软件之间，还差一整套可信度验证。如果Coding Agent只管写代码，把验证、对齐、纠错成本全部甩给人类工程师，效率杠杆很快就会见顶。

Loom想探索的不仅是一个好用的开源工具，而是大模型走向严肃生产环境所缺失的状态基础设施。大模型在静态语料库里学到了“完美的最终代码长什么样”，却很难学到“一个复杂的Bug到底是如何被一步步定位、失败、妥协并最终修复的”——这些过程轨迹才是软件工程中最核心的工程判断力。通过这层状态层，Loom不仅让Agent的长任务推进更稳定，也在同时捕获Agent在真实执行环境下的动态反馈轨迹，为未来Agent的动态评测和微调数据收集提供更真实的工程语料。