别再手搓 Prompt 了，那个叫"手动挡循环"

一条推文，七百万围观，就说了四个字

前阵子 X 上有个帖子爆了。七百万人围观，转发评论炸成一片。内容就一个意思：

"开源大佬们，别再给 AI 写提示词了，你应该去设计 Loop。"

没完。Claude Code 的作者转发了，附了一句："我也不写 Prompt，我也写 Loop。"

两个 AI 圈最会写代码的人，异口同声地说同一件事。这事值得琢磨。

Loop 是计算机最古老的本能

Loop，循环。写代码的第一课就学它。计算机诞生那天就有了。三件事：

从哪开始。重复做什么。什么时候停。

一万行数据要逐行检查格式，改完再存回去。让人干，一下午。让程序跑个 for 循环，几秒钟。

就这么个朴素到土里的概念，被搬到了 AI 协作上，突然变成了最前沿的工作流。

大模型本身就是 Loop 喂出来的

DeepSeek、Claude、Qwen、GPT......不管你用哪一个，它来到你面前之前，都经历过同一个过程：

复制代码

拿一批数据 → 喂给模型 → 算一下错多少 → 调参数 → 再来一轮

万亿次。万亿次循环之后，一堆矩阵权重突然就学会了对话、推理、写代码。

训练的底层逻辑，从来没变过。就是一个巨大的 Loop。

你每天都在跑手动挡循环

停下来想三秒钟。你平时跟 AI 配合，是不是这个画风：

复制代码

写一段 Prompt → 发给 AI → 看输出 → 好像不太行
→ 改 Prompt → 再发 → 还是差点意思
→ 再改 → 再发 → OK 这次能用了

恭喜你，你也是 Loop 大师。只不过------你是 Loop 里的人肉齿轮。

你把工作交给了 AI，但你被绑在椅子上盯着它干。AI 每吐一次，你的人脑就要跑一次 check，然后手动调 gen。你确实省了写文案、写代码的力气，但你付出了注意力。

Loop 要干的，就是把你从循环里面拽出来。让你从 "操作工" 变成 "设计师"。

拆开看，Loop 就两个零件

Completion。Check。

让 AI 生成。然后让它自己（或者另一个规则引擎）检查。检查过了，结束。没过，把失败原因塞回去，让它再生成一次。

就这么来回倒。简单到你觉得"这也能叫方法论？"------但一旦你真的写进代码，你会发现你回不去了。

实战：让 AI 自己跟自己较劲写小红书文案

说一万遍道理不如跑一遍代码。场景不搞复杂，就一件事：写一篇小红书美妆文案，四条硬指标，不达标就重写。

第一步：刹车装好，别让 Loop 变脱缰野马

Loop 最怕的不是跑得慢，是停不下来。开始写代码之前，先把退路铺好：

javascript 复制代码

const limit = {
    maxRound: 5,      // 给你五次机会，多了没有
    maxToken: 2000,   // 钱不是大风刮来的，Token 烧到这里就认栽
    sameStop: 2       // 连续两次吐一样的东西，说明脑子卡了，别浪费电
};

这三个边界各自盯一种翻车场景。maxRound 防的是 "每次检查都说差一点，永远通不过"。maxToken 防的是你第二天收到一张天价账单。sameStop 最妙------如果模型连续两次生成一模一样的内容，说明它已经想不出新招了，再跑下去就是同一个输出死循环。

第二步：把目标和规则摆上台面

javascript 复制代码

const task = {
    desc: "小红书美妆文案",      // 为什么而写
    rules: [                     // 写出来得长这样
        "标题带数字",
        "正文小于300字",
        "大爆款风格",
        "结尾有行动号召"
    ]
};

这套 rules 是整个 Loop 的宪法。gen 照着它写，check 照着它审。 两边用同一把尺子量，不会出现 "生成的理解和检查的理解对不上" 的狗血剧情。

第三步：状态追踪

javascript 复制代码

let round = 0,          // 第几轮了
    totalToken = 0,     // 烧了多少钱
    lastText = "",      // 上一轮说了啥
    sameCount = 0;      // 卡了几次了

function needStop() {
    return round >= limit.maxRound
        || totalToken >= limit.maxToken
        || sameCount >= limit.sameStop;
}

第四步：gen------让 AI 扮演博主

javascript 复制代码

async function gen() {
    const res = await client.chat.completions.create({
        model: 'deepseek-v4-flash',
        messages: [{
            role: "user",
            content: `假如你是一位资深小红书美妆博主，
写一篇${task.desc}，严格遵守：
${task.rules.join("、")}，只输出文案`
        }]
    });

    console.log(res.usage.total_tokens, res.choices[0].message.content);
    return {
        text: res.choices[0].message.content.trim(),
        token: res.usage.total_tokens
    };
}

这里有个小设计：规则直接写进 gen 的 Prompt 里。 这样模型在生成时脑子里就装着这套标准，而不是写成什么样子全靠运气。

第五步：check------让 AI 自己当裁判

javascript 复制代码

async function check(text) {
    const res = await client.chat.completions.create({
        model: 'deepseek-v4-flash',
        messages: [{
            role: "user",
            content: `
校验文案：${text}
规则：${task.rules.join("、")}，
仅输出json格式：{pass:布尔值, fail:数组}`
        }]
    });
    return JSON.parse(res.choices[0].message.content.trim());
}

"仅输出 JSON" 这四个字是点睛之笔。你不用写正则去猜 "通过" 还是 "基本通过但有一个小问题"。代码直接 if (pass) 判断，干净利落。fail 数组告诉你具体哪几条没达标，回头还能喂给下一轮 gen 做定向修正。

第六步：组装

javascript 复制代码

async function runloop() {
    console.log("开始循环");

    while (!needStop()) {
        round++;
        console.log(`第 ${round} 轮`);

        const { text, token } = await gen();
        totalToken += token;
        sameCount = text === lastText ? sameCount + 1 : 0;
        lastText = text;

        const { pass, fail } = await check(text);

        if (pass) {
            console.log("全部规则通过，循环结束 🎉");
            console.log(`最终文案：${text}`);
            return;
        }

        console.log("不通过，吊起来重写：", fail.join("、"));
    }

    console.log(`刹车踩死，最后一版文案：${text}`);
}

runloop();

跑起来看看

text 复制代码

开始循环
第 1 轮
不通过，吊起来重写：标题不含数字、结尾缺少行动号召
第 2 轮
不通过，吊起来重写：正文超300字
第 3 轮
全部规则通过，循环结束 🎉
最终文案：【一篇合格的文案】

三轮，几十秒，人没动手。你自己手动调 Prompt，大概率也得改个两三次，而且得一直盯着屏幕等它吐完。

爽归爽，Loop 不是免费的午餐

手动调 Prompt，一轮几百 Token。Loop 每轮 gen + check，加起来也是几百。跑五轮就是上千。

这还没算上一些隐性代价：

check 本身也会误判。 模型当裁判不是万无一失的，可能把合格的毙了、把不合格的放了。两个 LLM 互相配合，误差会叠加。
刹车设置太松，Token 直接飞走。 maxRound 设 20、maxToken 不设上限，跑一趟下来账单够你吃一顿海底捞。
任务越模糊，收敛越慢。 "写一篇爆款文案" 这种目标，check 函数都很难量化，Loop 还不如手动改。

所以别啥活都往 Loop 里扔。规则清晰、检查好量化、人工迭代成本高的任务，才是 Loop 的甜区。文案生成是，代码审查是，合同校验也是。但"帮我起个好听的项目名"这种，算了，自己想吧。

从 Prompt 操作工到 Loop 设计师

写 Prompt 的人，关心的是 "这句话怎么措辞模型才听话"。

设计 Loop 的人，关心的是 "规则怎么定、检查怎么量化、刹车设在哪"。

两种思维。前者在跟模型对话，后者在给模型设定游戏规则。

Claude Code 的作者说他不写 Prompt，写 Loop。本质上是在说------我不当 AI 的对话搭档，我当 AI 的流程设计师。