一条推文迎来了 700 万人参观：「别再给 AI 写提示词，你应该去设计一个 Loop」
由此见微知著，Loop已经是继Prompt以来的又一热点技术。
一、先搞清楚：Loop 是什么？
1.1 Loop 是计算机的底层能力之一
不是什么新概念，从有编程那天起就有了。一句话定义：
重复做一件事，直到满足某个条件为止。
任何 Loop 都包含三件事：
| 三要素 | 含义 | 对应到 AI Loop |
|---|---|---|
| 从哪开始 | 初始状态 | 第一次给 AI 的任务描述 |
| 重复做什么 | 循环体 | completion（让 AI 生成）+ check（校验结果） |
| 什么时候停 | 终止条件 | 达标 / 跑满 N 轮 / 超预算 / 收敛 |
1.2 一个直观的例子
一万行的数据，要逐行检查、改格式 —— 人工干一小时都改不完，写成循环程序，几秒搞定。
这就是 Loop 的价值：把人从重复劳动里抽离出来。
二、LLM 本身就是 Loop 跑出来的
这是最反直觉的一点：
我们现在用的所有 LLM（DeepSeek、Claude、Qwen…），训练的底层都是同一个逻辑 —— Loop。
2.1 训练 Loop 的逻辑
2.2 启示
AI 的「智能」不是一次性赋予的，而是反复试错、反复修正磨出来的。 那么我们用 AI 的时候，凭什么认为一次 prompt 就能拿到完美结果？ —— 这就是为什么要设计 AI Loop：让使用方式和训练方式对齐。
三、我们日常的 AI 协作，其实是个「手动 Loop」
3.1 现状
每天跟 AI 一问一答的过程：
写 prompt → 看结果 → 不满意 → 改 prompt → 再来一遍 → ...
这本质上就是一个 Loop，只不过：
- 循环体是人：自己在改 prompt、自己在看结果
- 终止条件是「满意」：但「满意」是主观的，容易陷入无限改
- 检查是人肉 check：靠眼睛看、靠感觉判断
3.2 问题
工作交给了 AI，但是得盯着 AI 干活。
人没有被真正解放，反而成了 AI 的「人肉调度器」。 Loop 的目的就是把这部分人肉调度也交给程序。
四、AI Loop 的核心：completion + check
这是整个思想的核心公式：
┌──────────────────────────────────────────────┐
│ │
│ ┌─────────────┐ ┌─────────────┐ │
│ │ completion │ → │ check │ │
│ │ 让 AI 生成 │ │ 校验是否达标 │ │
│ └─────────────┘ └──────┬──────┘ │
│ ↑ │ │
│ │ 不达标 │ │
│ └──────────────────┘ │
│ │ │
│ 达标 → 退出 │ │
└─────────────────────────────────────────────┘
4.1 completion（生成）
让 LLM 干活，产出结果。
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：
${task.rules.join('、')},只输出文案`
}]
});
return {
text: res.choices[0].message.content.trim(),
token: res.usage.total_tokens
}
}
4.2 check（校验）
用 LLM 当「质检员」，按规则校验生成结果是否达标。
async function check(text) {
const res = await client.chat.completions.create({
model: 'deepseek-v4-flash',
messages: [{
role: "user",
content: `校验文案：${text}
规则：${task.rules.join('、')}
仅输出JSON {pass: 布尔, fail: 数组}`
}]
});
return JSON.parse(res.choices[0].message.content.trim())
}
关键点：check 不是人肉看，而是让另一个 LLM 调用按规则自动判断，返回结构化结果
{pass, fail}。这样 Loop 才能自动决定「继续还是退出」。
4.3 循环往复，跟最终目标 check，最后退出
把两者串起来：
async function runLoop() {
while (!needStop()) {
round++;
const { text, token } = await gen(); // ① completion
totalToken += token;
const { pass, fail } = await check(text); // ② check
if (pass) { // ③ 达标退出
console.log(`最终的文案：${text}`);
return;
}
console.log(`不满足${fail}`); // ④ 不达标继续
}
console.log(`触发刹车强制停止，最后一次内容: ${lastText}`)
}
五、三道刹车：Loop 不能裸跑
Loop 最怕的是失控：AI 改不到位一直跑，烧钱烧到天亮。 所以必须配三道刹车，
const limit = {
maxRound: 5, // 最大轮次：防死循环
maxToken: 2000, // 累计 token 上限：防超预算
sameStop: 2 // 连续相同 N 次停止：防收敛后空转
}
| 刹车 | 解决的风险 | 类比 |
|---|---|---|
| maxRound | AI 永远改不到位，死循环 | 电梯最高楼层限制 |
| maxToken | 防止烧钱超预算 | 手机流量月度上限 |
| sameStop | AI 连续两次输出一样 → 已收敛 → 别再浪费钱 | 电梯门两次没人进出就关门 |
判断逻辑
function needStop() {
return round >= limit.maxRound ||
totalToken >= limit.maxToken ||
sameCount >= limit.sameStop;
}
六、Loop 的优势 vs 缺点
✅ 优势：解放人
- 不用盯着 AI 干活
- 不用手动改 prompt
- 不用人肉判断结果好坏
- 人只设计目标和规则，剩下的交给 Loop
❌ 缺点：token 大爆炸
这是 Loop 最大的代价：
| 场景 | token 消耗 |
|---|---|
| 普通 prompt（一次调用） | ~500 token |
| Loop（5 轮 + 每轮 check） | ~5000 token（10 倍） |
每多一轮 = 多一次 completion + 多一次 check，成本线性上涨。 所以三道刹车不是可选项，是必须项 —— 否则一个失控的 Loop 一晚上能烧掉一个月的 API 额度。
七、核心知识点速记表
| 概念 | 一句话理解 |
|---|---|
| Loop | 重复做 + 终止条件，计算机底层能力 |
| LLM 训练 | 万亿次 Loop 跑出来的，AI 智能本身就是 Loop 的产物 |
| 手动 AI 协作 | 人在当 Loop 的循环体，没被解放 |
| AI Loop | completion + check，让程序替人跑循环 |
| completion | 让 LLM 生成结果 |
| check | 让另一个 LLM 调用按规则校验，返回 {pass, fail} |
| 三道刹车 | maxRound / maxToken / sameStop，防止 Loop 失控 |
| 优势 | 把人从「盯 AI 干活」里解放出来 |
| 缺点 | token 消耗爆炸，所以必须有刹车 |
八、一张图总结 AI Loop
┌──────────────────────────┐
│ 人设计目标和规则 │
│ task = { desc, rules } │
└────────────┬─────────────┘
│
▼
┌────────────────────────────────┐
│ AI Loop │
│ │
│ ┌──────────┐ ┌─────────┐ │
│ │completion│ → │ check │ │
│ │ 生成结果 │ │ 校验规则 │ │
│ └──────────┘ └────┬────┘ │
│ ↑ │ │
│ │ 不达标 │ │
│ └─────────────┘ │
│ │ │
│ 达标 → 退出 │
│ │
│ 🛑 三道刹车时刻盯着： │
│ maxRound / maxToken / │
│ sameStop │
└────────────────────────────────┘
│
▼
┌──────────────────────────┐
│ 最终交付的结果 │
└──────────────────────────┘
九、总结
为什么不写 prompt？
因为 prompt 是「一次性的咒语」，写得好不好全靠运气和经验。 而 Loop 是「让 AI 自己迭代到达标」的工程化方法 —— 你只需要设计目标 + 规则 + 刹车，剩下交给程序。
prompt 是手工活，Loop 是工程活。 从 prompt 工程师 → Loop 工程师，才是 AI 时代的真升级。
但记住 Loop 的代价：token 大爆炸。 所以三道刹车（maxRound / maxToken / sameStop）不是装饰，是 Loop 能上线的安全带。
