别再手写Prompt了！用AI Loop实现自动化自我迭代，效率提升10倍

一条推文引来700万人围观，Claude Code作者直言"我也不写prompt，我写Loop"。

今天，我们就来拆解这个让AI自己"卷"自己的编程范式------AI Loop。

---

什么是AI Loop？循环才是AI的底层基因

如果你写过代码，一定对 for、while 不陌生。循环（Loop） 是计算机最基础的控制结构，它只做三件事：

• 从哪开始
• 重复做什么
• 什么时候停

比如，你有一万行Excel数据要逐行检查格式，人工可能要搞一整天，但写个循环程序，几秒钟跑完。循环的价值，就是把重复劳动交给机器。

而我们现在使用的所有大语言模型（LLM）------DeepSeek、Claude、Qwen......它们的训练过程本质上也是一个巨大的循环：

拿一批数据给模型看 → 计算它错了多少 → 调整参数 → 再来一轮。

万亿次循环后，AI 学会了对话、写作、推理。

然而，在日常使用中，我们却常常陷入手动循环：

• 写Prompt → 看结果 → 不满意 → 改Prompt → 再看结果......
• 你把工作交给了AI，但自己还得像监工一样盯着，手动迭代。

这就是手动Loop------低效、费时、容易遗漏。

而我们要讲的AI Loop ，就是把这些手动过程自动化，让AI自己生成、自己检查、自己修正，直到满足你的要求为止。

---

一个真实的AI Loop代码实战

下面这段代码（main.mjs）是我用DeepSeek API实现的一个完整AI Loop。它让AI自主完成"小红书美妆文案"的生成，并自动校验规则，不达标就重来，直到通过或触发刹车条件。

我们先贴出完整代码，再逐行拆解。

import { OpenAI } from 'openai';
import dotenv from 'dotenv';
dotenv.config();

const client = new OpenAI({
    apiKey: process.env.DEEPSEEK_API_KEY,
    baseURL: process.env.DEEPSEEK_BASE_URL
});

// -------------------- Loop 可控边界 --------------------
const limit = {
    maxRound: 5,          // 最大尝试轮数（防死循环）
    maxToken: 2000,       // 总token消耗上限（防超预算）
    sameStop: 2           // 连续相同结果几次就停（防原地踏步）
};

const task = {
    desc: "小红书美妆文案",           // 目标
    rules: ["标题带数字", "正文<300字", "大爆款", "结尾有行动号召"] // 校验规则
};

let round = 0, totalToken = 0, lastText = "", sameCount = 0;

// -------------------- 刹车判断 --------------------
function needStop() {
    return round >= limit.maxRound ||
           totalToken >= limit.maxToken ||   
           sameCount >= limit.sameStop;
}

// -------------------- 生成文案（生产者） --------------------
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
    };
}

// -------------------- 校验文案（检查者） --------------------
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 {pass: 布尔, fail: 数组}`
        }]
    });
    return JSON.parse(res.choices[0].message.content.trim());
}

// -------------------- 主循环 --------------------
async function runLoop() {
    console.log('AI Loop 开始');
    while (!needStop()) {
        round++;
        console.log(`\n 第${round}轮`);

        // 1. 生成
        const { text, token } = await gen();
        totalToken += token;

        // 2. 记录重复情况（用于 sameStop）
        sameCount = (text === lastText) ? sameCount + 1 : 0;
        lastText = text;

        // 3. 校验
        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:\n${text}`);
            return;
        }
        console.log(`❌ 不满足规则: ${fail.join(', ')}，继续下一轮...`);
    }
    console.log(`\n⛔ 触发刹车强制停止，最后一次内容:\n${lastText}`);
}

runLoop();

---

逐行拆解：每个变量、每个函数都在做什么

1. 客户端初始化（OpenAI兼容接口）

const client = new OpenAI({
    apiKey: process.env.DEEPSEEK_API_KEY,
    baseURL: process.env.DEEPSEEK_BASE_URL
});

这里使用了 openai 库，但 baseURL 指向了 DeepSeek 的接口。因为 DeepSeek 兼容 OpenAI 的 API 格式，所以我们能用同一套代码调用 DeepSeek 模型。环境变量中存储了密钥和地址。

---

2. 控制边界 ------ limit 对象

const limit = {
    maxRound: 5,
    maxToken: 2000,
    sameStop: 2
};

这三个字段是循环的"刹车系统" ，防止程序失控：

• maxRound：最大尝试轮数。避免因为规则永远无法满足而陷入死循环。
• maxToken：总 token 消耗上限。调用 API 是按 token 计费的，设定预算可以控制成本。
• sameStop：连续多少次生成结果完全相同时强制停止。有时候AI会卡在同一个错误输出上，这个条件能及时止损。

---

3. 任务定义 ------ task

const task = {
    desc: "小红书美妆文案",
    rules: ["标题带数字", "正文<300字", "大爆款", "结尾有行动号召"]
};

• desc 是目标描述，会注入到生成 prompt 中。
• rules 是校验规则列表，既会注入生成 prompt（让AI按规则写），也会单独用于检查。

---

4. 全局状态变量

let round = 0, totalToken = 0, lastText = "", sameCount = 0;

• round：当前轮次。
• totalToken：累计消耗的 token 数。
• lastText：上一轮生成的文案文本，用于比较是否重复。
• sameCount：连续重复的次数。

---

5. 刹车函数 needStop()

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

它返回一个布尔值，只要满足任意一个刹车条件，循环就终止。这是 Loop 的"退出检查点"。

注意：原代码中 totalToken >= limit.matToken 应为 maxToken，是个小笔误，大家写代码时要留意。

---

6. 生成函数 gen() ------ 生产者

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
    };
}

• 它向 DeepSeek 发送一个 生成 prompt ，要求 AI 按照 task.rules 写文案。
• 返回一个对象，包含 text（文案内容）和 token（本次消耗的 token 数）。
• console.log 会打印出每次的 token 数和原始输出，方便调试。

---

7. 校验函数 check(text) ------ 检查者

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 {pass: 布尔, fail: 数组}`
        }]
    });
    return JSON.parse(res.choices[0].message.content.trim());
}

这是整个 Loop 的自我检验环节。

• 它把生成的文案和规则一起发给 AI，要求 AI 扮演"质检员"。
• 强制要求 AI 只输出 JSON ，格式为 {pass: true/false, fail: ["规则1", "规则2"]}。
• 我们解析 JSON 得到 pass 和 fail，从而知道文案是否达标，以及哪些规则没通过。

为什么让 AI 自己检查自己？

因为规则是自然语言描述的（如"标题带数字"），传统代码很难直接判断。而 LLM 本身具备语义理解能力，让它当检查员是最自然的选择。这其实是 LLM 的自我反思（Self-Reflection） 技术的简化版。

---

8. 主循环 runLoop()

javascript

async function runLoop() {
    console.log('AI Loop 开始');
    while (!needStop()) {
        round++;
        console.log(`\n 第${round}轮`);

        // ① 生成
        const { text, token } = await gen();
        totalToken += token;

        // ② 记录重复
        sameCount = (text === lastText) ? sameCount + 1 : 0;
        lastText = text;

        // ③ 校验
        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:\n${text}`);
            return;
        }
        console.log(`❌ 不满足规则: ${fail.join(', ')}，继续下一轮...`);
    }
    console.log(`\n⛔ 触发刹车强制停止，最后一次内容:\n${lastText}`);
}

流程图如下：

text

开始 → 检查刹车 → (未刹车) → 轮次+1 → 生成文案 → 累加token → 判断是否与上一轮相同 → 更新sameCount → 校验文案 → 通过？ → 结束并输出
                                                                              ↓ 不通过
                                                                        打印失败规则，回到循环开头

关键点：

• 每轮都会生成全新的文案（不是基于上一轮修改，而是重新生成），这样能保证多样性，但也会增加 token 消耗。
• 校验结果 fail 数组会打印出来，让我们知道具体哪里不达标，方便人工干预（也可以进一步把失败规则反馈给生成 prompt，实现"带反馈的生成"，但本例未做）。
• 如果校验通过，立即 return 退出，输出最终文案。
• 如果触发刹车，则输出最后一次内容并退出。

---

循环的自我检验（Self-Check）过程详解

这是 AI Loop 最精髓的部分。我们来看一个具体例子：

第一轮生成：

"美妆新手必看！这些口红颜色超显白......"（标题有数字吗？没有 → 不满足规则"标题带数字"）

校验函数收到文案后，AI 检查员返回：

{"pass": false, "fail": ["标题带数字"]}

于是循环继续。

第二轮生成（可能因为随机性，这次带数字了）：

"3支必入口红，黄皮也能轻松驾驭......"（正文可能超过300字？检查员说"正文<300字"未通过）

校验返回：

{"pass": false, "fail": ["正文<300字"]}

继续循环。

第三轮生成，AI 终于写出了满足所有规则的文案，校验返回 {"pass": true, "fail": []}，循环结束。

这个过程中，AI 既是作者 ，又是审稿人，不需要我们手动检查每一轮，完全自动化。

---

为什么说 AI Loop 解放了人，但也带来"Token大爆炸"？

优势：

• 将重复的"生成→检查→修改"工作完全自动化，我们只需要设定目标和规则。
• 可以并行运行多个 Loop，快速产出高质量内容。
• 适用于各种有明确规则的文本生成任务（广告文案、产品描述、代码生成、邮件撰写等）。

缺点：

• Token 消耗会成倍增加。假设平均每轮消耗 500 token，跑 5 轮就是 2500 token，比一次生成贵 5 倍。
• 如果规则设置不合理，可能永远无法通过，全靠刹车机制兜底。
• AI 校验本身也可能出错（比如误判），导致 Loop 提前结束或无限循环。

所以，设计 Loop 时要精心设置边界：最大轮数、预算上限、重复停止条件，三者缺一不可。

---

如何改进？让 Loop 更聪明

1. 反馈式生成 ：把上一轮 fail 的规则传回给生成 prompt，比如"上次缺少标题数字，这次请加上"。这样能加速收敛。
2. 动态调整规则：如果连续几轮都卡在同一个规则，可以适当放宽要求（比如字数从"<300"改为"<350"）。
3. 多模型协作：生成用创意模型，校验用严谨模型（如 GPT-4 校验，Claude 生成），各取所长。
4. 记录历史：保存每一轮的文案和校验结果，方便分析 Loop 行为。

---

结语：你写的不是代码，是AI的工作流

Loop 是计算机科学最基础的概念，但在 AI 时代被赋予了新的生命。AI Loop 不仅仅是循环，而是一种自主迭代的工作流------让 AI 自己生成、自己检查、自己完善，直到满足人类设定的目标。

下次当你还在手动改 Prompt 时，不妨想一想：能不能把这件事交给一个 Loop？

700 万人看过的那条推文说："别再给 AI 写提示词，你应该去设计 Loop。"

今天，你设计 Loop 了吗？