我和 AI 的“死循环”——痛点全记录

痛点一：一次写不出满意的文案。我被迫不断改 Prompt，甚至改到凌晨 2 点。

痛点二：Prompt 越写越复杂，却仍然出现标题不带数字、字数超限、干巴巴等问题。

痛点三：每次生成后都要手动检查、判断是否合格。再手动修改指令，整个过程完全是“人肉循环”。

痛点四：没有自动化的停止机制，容易导致 API 费用失控或死循环。

原来我一直在做最笨的事

看到 OpenClaw 开源项目创始人彼得·斯坦伯格的推文。我恍然大悟：别再纠结 Prompt，应该写 Loop。

Claude Code 的作者也在评论中附和：现在只写 Loop，不写 Prompt。

我每天和 AI 的交互，本质上就是手动循环：给指令 → AI 输出 → 人检查 → 不满意则修改指令 → 输出。唯一需要人工判断的是“检查”这一步，其余都是机械重复。

关键问题：为什么不把检查也交给 AI，让整个闭环自动化？

说穿了就是三件事

Loop 并不是单纯的代码循环，它必须回答以下三个主要问题：

. 从哪里开始？

. 重复做什么？

. 什么时候停止？说起来，

说到举例说明。

• 烹饪：从洗锅开始，重复“炒一下、尝一口、加盐”，直到味道合适停。
• 写报告：从第一页开始。重复“写一段→读一遍→改一改”，直到领导满意停。老实说，

If you miss third question you get an infinite loop – program runs until memory overflow or your API quota is exhausted.

原来大模型自己就是这么学会的

所有的大模型本身就是通过 Loop 训练出来的：

• 给模型喂数据。老实说，
• 计算预测误差。按理说，
• 重复上述步骤。

直至满足需求。

I wrote a minimal demo that actually runs

import { OpenAI } from 'openai';import dotenv from 'dotenv';dotenv.config;const client = new OpenAI({
apiKey这方面，process.env.DEEPSEEK_API_KEY。baseURL: process.env.DEEPSEEK_API_BASE_URL,});// 三个防止死循环的参数
const limit = {
maxRound: 5,// 最多循环5轮
maxToken: 2000。// 最多消耗2000 token
sameStop: 2 // 连续相同输出2次即停止
};const task = {
说到desc。"奶龙按摩椅广告文案",rules:
};let round = 0,totalToken = 0。sameCount = 0,lastText = "";// 停止条件：任意一个满足即停
function needStop {
return round>= limit.maxRound ||
totalToken>= limit.maxToken ||
sameCount>= limit.sameStop;}
// 生成文案
async function gen {
const res = await client.chat.completions.create({
再看model。process.env.DEEPSEEK_API_MODEL,messages:
});
console.log，console.log;return {
说到text，res.choices.message.content.trim。token: res.usage.total_tokens
};}
// 检查文案是否符合要求
async function check {
const res = await client.chat.completions.create({
model的观点是。process.env.DEEPSEEK_API_MODEL,messages:
});return JSON.parse);}
// 主循环
async function runLoop {
console.log;while ) {
round++;console.log，const { text,token } = await gen;totalToken += token;// 检测相同输出
sameCount =?sameCount + 1 : 0;lastText = text;const { pass,fail } = await check;if {
console.log;console.log，return;}
console.log}`);}
console.log;console.log，}
runLoop;

把你的 Deepseek API 密钥和模型信息填入 .env 文件后即可直接运行此脚本。

I踩过的坑。你别再踩了

• Pitfall #1 – 缺少 maxRound：没有上限时一旦 AI 连续几轮都不合格，会导致无限循环并产生高额费用。
• Pitfall #2 – 未设置 maxToken：Demon 在无上限情况下可能消耗大量 token。设定预算上限能避免意外账单。
• Pitfall #3 – 同步检测 missing sameStop：A I 有时会“摆烂”，连续返回相同内容却仍认为未达标。缺少相同输出检测会导致死循环并浪费资源。

This method's strengths & limitations

The upside

• 解放双手：只需定义任务描述和检查规则，剩下交给 Loop 自动完成；省去反复调 Prompt 的时间。
• Simplified workflow: One‑click run → coffee break → get compliant output.
• Straightforward debugging: 每轮日志清晰可追溯，可快速定位哪一步未通过规则校验。不过，

The downside

• Total token consumption: 每轮两次调用。成本随轮数线性增长，示例中约 -500 token/轮，5 轮≈-2500 token。
• Suits rule‑driven tasks: 广告文案、测试用例、代码规范检查等可量化检验的场景表现最佳；创意类因缺乏明确评判标准而不适用。
• Cascade latency: 两次 API 调用导致整体响应时间比单次调用慢，需要根据业务容忍度进行权衡。

The real takeaway for me

Ai 不再是“一次性工具”。它可以成为一个自我迭代的程序，只要我们为它设计好「起点」+「迭代步骤」+「终止条件」。从此，我不再纠结于一次性完美 Prompt。而是让模型在闭环中不断自我纠错直至满足预期。