🌀 别再手动写 Prompt 了！我让 AI 自己循环改到满意为止

写在前面：今天学了一个让我"三观重塑"的概念——AI Loop。老师说，一条推文引来 700 万人围观，核心观点就一句话：别再给 AI 写提示词了，你应该去设计 Loop。 Claude Code 的作者也说了：我也不写 prompt，我也 Loop。听完我整个人都悟了：原来我一直以来的"人肉循环"方式，才是最低效的。

---

一、你每天都在"手动 Loop"，只是没意识到

1.1 什么是 Loop？

老师说：

"Loop 是计算机最底层的能力之一。Loop 包含三件事：从哪开始，重复做什么，什么时候停。"

一万行的数据要逐行检查、改格式，人工做要很久，写个循环程序秒完。

但 Loop 不只是处理数据的工具，它也是 AI 训练的底层逻辑。

"我们现在在用的所有 AI 都是 Loop 跑出来的。DeepSeek、Claude、Qwen……训练的底层都是一个逻辑：拿一批数据给模型看，算它错了多少，调整参数，再来一轮。万亿次循环后，AI 就学会了对话和协作。"

AI 本身就是 Loop 的产物。 没有循环，就没有今天的 ChatGPT、Claude、DeepSeek。

1.2 你和 AI 协作的方式，其实也是 Loop

想想你平时怎么用 AI 的：

写 prompt → 看结果 → 不满意 → 改 prompt → 再看结果 → 还不满意 → 再改……

这就是一个"手动 Loop"。 你就是那个"循环控制器"——每次判断结果好不好，不好就继续循环。

老师说：

"工作交给了 AI，但是得盯着 AI 干活。Loop 可以把我们抽离出来。"

手动 Loop 的问题：你得一直盯着，费时费力。 AI Loop 的优势：把"人"从循环中抽离出来，AI 自己跑。

当然也有缺点：Token 大爆炸。 每轮循环都要消耗 Token，跑多了钱包疼。

---

二、AI Loop 的核心：生成 → 检查 → 循环

2.1 三个步骤

AI Loop 的核心逻辑就三步：

步骤	作用	说明
Completion（生成）	AI 干活	根据任务描述生成内容
Check（检查）	AI 检查	根据规则校验生成的内容
Loop（循环）	不满意就再来	检查不通过 → 重新生成 → 再检查

这就像你找了一个员工（AI）和一个质检员（也是 AI）：

• 员工写文案。
• 质检员检查文案。
• 不合格？打回去重写。
• 合格？交货。

你（人类）只需要定义任务和规则，剩下的交给 Loop。

2.2 三个安全阀：防止 Token 爆炸

老师说 Loop 有个致命缺点——Token 大爆炸。如果不加限制，AI 会无限循环下去，你的钱包就会被掏空。

所以必须设置"安全阀"：

const limit = {
    maxRound: 5,    // 最多跑 5 轮
    maxToken: 2000,  // 最多消耗 2000 Token
    sameStop: 2     // 连续 2 次生成相同内容就停
}

安全阀	作用	比喻
maxRound	限制循环轮数	最多让员工改 5 次，改不好就算了
maxToken	限制 Token 消耗	预算只有这么多，花完就停
sameStop	检测重复输出	员工连续两次交同样的东西，说明卡壳了，别让他继续了

这三个安全阀，就是 Loop 的"刹车系统"。 没有刹车的车，谁敢开？

---

三、实战：用 DeepSeek 实现 AI Loop

3.1 项目配置

package.json 里的依赖很简单：

{
  "dependencies": {
    "dotenv": "^17.4.2",
    "openai": "^6.43.0"
  }
}

• openai：OpenAI SDK，兼容 DeepSeek 的 API。
• dotenv：管理 API Key。

3.2 初始化客户端

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

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

DeepSeek 的 API 兼容 OpenAI 格式，所以直接用 openai SDK，只需要改 baseURL 就行。

这就像你用苹果充电器给安卓手机充电——虽然不是原装的，但接口兼容，插上就能用。

3.3 定义任务和规则

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

任务描述 + 规则列表，就是 Loop 的"目标"和"验收标准"。

• desc：告诉 AI 要干什么。
• rules：告诉质检员按什么标准检查。

这就像你给装修公司下订单：

• desc："帮我装修一个北欧风格的客厅。"
• rules：["预算 5 万以内", "工期 1 个月", "用环保材料", "要有收纳空间"]。

3.4 安全阀：判断是否需要停止

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

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

三个条件，满足任意一个就停止循环：

• 轮数超了。
• Token 超了。
• 连续生成相同内容（说明 AI 卡壳了）。

3.5 生成函数：AI 写文案

async function gen() {
    const res = await client.chat.completions.create({
        model: 'deepseek-v4-flash',
        messages: [{
            role: "user",
            content: `加入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
    }
}

生成函数做一件事：让 AI 根据任务描述和规则写文案。

返回文案内容和消耗的 Token 数。

3.6 检查函数：AI 当质检员

async function check(text) {
    const res = await client.chat.completions.create({
        model: process.env.DEEPSEEK_API_MODEL,
        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());
}

检查函数做一件事：让另一个 AI 当质检员，按规则校验文案。

要求输出严格的 JSON 格式：

• pass: true/false：是否全部通过。
• fail: ["规则1", "规则2"]：不通过的规则列表。

让 AI 检查 AI 的工作——这就是 AI Loop 的精髓。

3.7 主循环：把一切串起来

async function runLoop() {
    console.log('AI Loop 开始');
    while (!needLoop()) {
        round++;
        console.log(`第${round}轮循环`);

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

        // 2. 检测重复
        sameCount = text === lastText ? sameCount + 1 : 0;
        lastText = text;

        // 3. 检查规则
        const { pass, fail } = await check(text);
        if (pass) {
            console.log(`全部规则通过，循环结束`);
            console.log(`最终的文案：${text}`);
            return;
        }
        console.log(`不满足${fail}`);
    }
    console.log(`\n 触发刹车强制停止，最后一次内容：${lastText}`);
}

runLoop();

整个 Loop 的执行流程：

开始
  ↓
生成文案（gen）
  ↓
检测是否重复 → 重复次数超限？→ 停止
  ↓
检查规则（check）
  ↓
全部通过？→ 输出结果，结束
  ↓
不通过 → 回到"生成文案"
  ↓
轮数/Token 超限？→ 强制停止

人类只需要定义"要什么"和"验收标准"，Loop 自动跑到满意为止。

---

四、AI Loop 的本质：从"人肉循环"到"自动化流水线"

4.1 两种协作模式对比

对比项	手动 Loop（传统方式）	AI Loop（自动化方式）
流程	人写 prompt → 人看结果 → 人改 prompt	AI 生成 → AI 检查 → 自动循环
人的角色	循环控制器（每次都要参与）	规则制定者（只参与一次）
效率	低（每次循环都要人操作）	高（无人值守自动运行）
成本	时间成本高	Token 成本高
适用场景	简单任务、探索性任务	重复性任务、有明确标准的任务

4.2 AI Loop 的哲学

老师说了一句特别深刻的话：

"写 prompt，看结果，不满意，再改，再来——手动协作 AI。Loop 可以把我们抽离出来。"

传统方式：人围着 AI 转。 AI Loop：AI 自己转，人只管定规则。

这就像你从"手洗衣服"升级到"洗衣机"：

• 手洗：每件衣服都要你亲手搓、冲、拧。
• 洗衣机：你把衣服扔进去，设定模式，按启动，等着拿干净衣服。

Loop 就是 AI 时代的"洗衣机"。

---

五、总结：设计 Loop，比写 Prompt 更重要

知识点	说明
AI Loop	生成 → 检查 → 循环，直到满足条件
Completion	AI 根据任务描述生成内容
Check	AI 根据规则校验内容，输出 JSON
maxRound	最大循环轮数
maxToken	最大 Token 消耗
sameStop	连续相同输出停止
DeepSeek API	兼容 OpenAI SDK
dotenv	管理 API Key

未来的 AI 协作方式，不是"一问一答"，而是"设计 Loop"。 你定义好目标和验收标准，AI 自己跑循环，直到产出满意的结果。

这不仅是效率的提升，更是思维方式的升级——从"操作者"变成"设计者"。

---

写在最后

今天最大的收获，是理解了 AI Loop 的思想。以前用 AI，总是"人肉循环"——写 prompt、看结果、不满意、改 prompt、再看……现在知道了，可以把这个循环自动化。

下次面试官问你："你怎么理解 AI Loop？"

你可以淡定地说：

"AI Loop 是一种自动化的 AI 协作模式。核心是三步：生成（Completion）、检查（Check）、循环（Loop）。AI 生成内容后，由另一个 AI 或规则引擎检查，不通过就重新生成，直到满足条件或触发安全阀。安全阀包括最大轮数、最大 Token 消耗、重复检测。这种方式把人从'手动循环'中解放出来，从操作者变成规则设计者。"

然后看着面试官惊讶的表情，心里默念：这波，又稳了。

---

本文所有代码示例均来自课堂学习资料，真实可运行。