话说回来，

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：

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，怎么说呢，

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。怎么说呢，

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。

这朴素到土里的概念。被搬到了 AI 协作上，突然变成最前沿的工作流。

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：

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。

训练的根本原因，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：

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，只但是——你是 Loop 里的人肉齿轮。

• 手动调 Prompt 耗费大量注意力和时间。
• `gen` 输出后每一次都要人工检查；如果检查不通过就得 修改 Prompt 并重新发送。
• `gen` 与 `check` 的反复往返，让工作流程变得繁琐且低效。
• `gen` 的 Token 消耗也会随之增加，导致成本飙升。其实，

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 与 Check 的交互循环

• Description: 让 AI 生成文本。接下来让它自己或另一个规则引擎检查。 一次，
• Pain Point: 若缺少自动化检查。则必须人工判断，通过率低且容易遗漏错误。
• Pain Point: 多轮迭代导致 Token 成本快速攀升，如果没有合理限制会产生不可控账单。
• Pain Point: 任务目标模糊时难以量化评估，使循环收敛缓慢甚至失效。
.

从实战来看，让 AI 自己跟自己较劲写文案

再看第一步先，刹车装好。别让 Loop 变脱缰野马

• Pain Point: 若无最大轮数限制，可陷入无限循环；若无 Token 上限，则可能产生高额费用；若无相同输出检测，则会出现死循环输出一样内容。
.

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

至于接下来。把目标和规则摆上台面

• Pain Point: 如果规则不够清晰或可测量，会导致生成与检查偏差，使循环效率低下或产生错误结果。其实，
.

const task = {
至于desc。"美妆文案",rules:
};

：状态追踪与终止条件判断

let round =。// 第几轮了
totalToken =,// 烧了多少钱
lastText = "",// 上一轮说了啥
sameCount =;// 卡了几次了
function needStop{
return round>= limit.maxRound
|| totalToken>= limit.maxToken
|| sameCount>= limit.sameStop;按理说，}

第四步这方面。gen——让 AI 扮演博主

Pain Point:

在 prompt 中直接嵌入规则可以避免因模型理解偏差而导致生成结果失效，从而减少人工修正次数。




“仅输出 JSON”


是点睛之笔。老实说，

省去了正则解析过程。并可直接在代码中判断是否通过。
 






text
开始循环
第1轮 不通过…第2轮 不通过，第3轮 全部规则通过 🎉
最终文案的观点是。



三轮几十秒，无需人工干预就可以完成任务；相对传统手动调整 Prompt，只需两三次修改并长时间等待屏幕刷新就可以完成。