提示词的终结：AI 循环的开端

大多数人还在费劲寻找完美的提示词。

现在，这已经不是正确的玩法了。

顶尖的 AI 用户之所以越来越强，不是因为他们找到了什么神奇的句子。他们变强，是因为不再把 AI 当成一个聊天框，而是开始把它当作一个能将工作一步步推进的系统。

这就是转变的关键：提示词是为了得到一个好答案。而工作流循环，是为了让工作在你得到第一个答案后，还能持续向前推进。

第一部分 · 提示词时代已经走到尽头

每个人还在拼命收集 更好的提示词，这已经是现在使用 AI 最低效的方式了。他们不断寻找完美的句子、完美的角色扮演、完美的“请你扮演”设定，然后纳闷为什么每个正经任务到头来还是得花四十分钟盯着一个聊天标签页。

• 旧的 AI 工作流是这样的：
• 打开聊天 → 粘贴背景 → 问一次 → 修正输出 → 再问一次 → 重新开始
• 看起来挺有效率，因为确实有事情在发生。
• 但这本质上还是手工作业，只是配上了一个更快的自动补全。

问题不在于提示词本身不好。问题在于，一个提示词通常只代表一个动作，而真正的工作是一连串的动作。研究变成大纲，大纲变成草稿，草稿需要检查，检查完要重写，重写后发布，而这次的结果又应该能指导下一次尝试。大多数人强迫自己手动推进每一步，然后称之为“AI 工作流”。

这不是工作流。这只是在反复点击一个 本应知道下一步该做什么 的机器上的“继续”按钮。

1你在这里不是直接回答我的任务。
2
3你在这里，是把我的任务变成一个可重复运行的 AI 循环。
4
5任务：
6[在此处插入任务]
7
8首先，把这个任务分解成通常需要手动完成的步骤。
9
10然后，设计一个循环，能以最少的人工干预来运行这些步骤。
11
12这个循环必须包含：
13- AI 在开始前需要什么背景信息
14- 它应该首先产出什么
15- 输出结果应该如何被检查
16- 如果输出质量不佳，该怎么处理
17- 哪些内容需要保存下来供下次运行使用
18- 循环应该在什么时候停止
19- 哪些步骤仍然需要人工审批
20
21保持系统简洁，让我能每天运行它。

你不是直接回答我的任务。你是要把这个任务变成一个可重复的 AI 循环。

任务是： [任务]

像设计一个系统一样来设计这个循环。解释清楚 AI 在开始前需要什么背景信息，它应该首先产出什么，产出结果应该如何被评判，如果输出质量不佳应该怎么做，哪些内容需要保存下来供下次运行，以及循环应该在何时停止。保持简洁，让我能每天运行它，而不用每次都重建整个设置。

第二部分 · Karpathy 指出了真正的转变

Karpathy 的 Software 3.0 概念让很多人重复了那句简单的话：英语正在变成一种编程语言。这部分没错，但这并非全部。如果英语能用来编程模型，那么英语也 可以用来编程模型周围的工作流程。

这就是大多数人错过的地方。他们用自然语言来请求输出，而不是用它来设计系统。Vibe coding 是这个思路混乱的初版：描述你想要什么，让 AI 来写代码，运行它，出错了就抱怨，重复直到能跑起来。而工作流循环是同样本能的更干净版本：给 AI 一个目标，给它工具，给它一个检查机制，让它能取得进展，并确保它知道何时该停下来。

“最热门的新编程语言是英语。”

by Andrej Karpathy

但英语作为编程语言，并不意味着你应该写更长的提示词。它意味着你应该开始描述 整个机器：它读什么，做什么，如何自我检查，它记住什么，以及它不能碰什么。

第三部分 · 循环就是产品本身

一个有用的循环，不是什么复杂庞大的多 Agent 幻想。它通常 在最好的意义上显得平淡无奇。AI 得到一个目标，拉取正确的上下文，执行一个动作，对照标准检查结果，保存有效的方法，只有在结果还不够好时才重复运行。

这一个改变，就把 AI 从一个文本生成器变成了一个工作者。不是完美的工人，不是自主的神，也不是什么“解雇你团队”的胡扯。只是一个拥有流程、检查清单、并且有管理者盯着风险部分的工作者。

• 这种转变已经可见于：
• Karpathy → Software 3.0
• Anthropic → Agent 工作流
• Meta/Llama → 工具、评估、部署控制

这就是为什么 Anthropic 的 Agent 模式很重要。最好的 Agent 系统不是靠扔十个机器人进 Discord 然后指望奇迹发生来构建的。它们由简单的部件组成：路由、工具、提示链、评估循环和编排器-工作者设置。魔力不在于模型聪明地行动一次。魔力在于模型被迫通过 一个能在你看到之前就抓住薄弱工作的流程。

Meta 的 Llama 生态系统从另一个方向指向了同样的未来。开放模型、安全层、评估、本地部署、更便宜的路由、不同模型负责不同任务。未来不是一个巨型模型回答所有问题。未来是系统——廉价模型做分类，强大模型做推理，本地模型处理私有上下文，评估器通行决定哪些内容能存活下来。

第四部分 · 写作循环

大多数 AI 写作很烂，是因为人们 过早地要求一篇成品文章。他们跳过了想法被压力测试、钩子被评分、薄弱环节被攻击、论据被检验的环节。

一个真正的写作循环不是从“给我写一篇文章”开始的。它从 角度选择 开始。然后它会根据好奇心、特异性、论据和情感张力来测试这个角度。接着是起草。然后是评判草稿。最后是重写。只有在这些之后，才轮到你阅读。

真正的写作循环是有层次的：

角度 → 钩子 → 草稿 → 批评 → 重写 → 配图创意 → 下次测试

大多数人只要求要个草稿。

这就是为什么他们的草稿听起来和别人的一模一样。

1你是我的写作循环。
2
3主题：
4[在此处插入主题]
5
6受众：
7[在此处插入受众]
8
9风格：
10[在此处插入风格]
11
12目标：
13[在此处插入目标]
14
15不要立即写文章。
16
17首先，为这个主题创建 5 个可能的切入角度。
18
19对于每个角度，评估：
20- 点击吸引力如何
21- 具体程度如何
22- 有用性如何
23- 与普通 AI 内容相比的差异化程度
24
25选出最强的角度，并解释为什么它胜出。
26
27然后写出初稿。
28
29初稿完成后，切换到编辑模式进行批评，关注：
30- 开头是否有力
31- 是否存在泛泛而谈的论点
32- 是否缺少论据支撑
33- 过渡是否枯燥
34- 回报点是否清晰
35- 哪些部分听起来像 AI 写的
36
37然后根据批评意见重写文章。
38
39最后，给我：
401. 最终版本的文章
412. 最强的钩子
423. 最薄弱的剩余部分
434. 3 个配图创意
445. 下一版本中应该测试的内容

首先，为这个主题创建五个可能的切入角度。根据好奇心、特异性、有用性和点击可能性给每个角度打分。选出最强的角度，并解释它为什么胜出。

然后写出初稿。初稿完成后，切换成评估者模式，攻击其中泛泛而谈的论点、薄弱的论据、枯燥的过渡、不清晰的回报点以及听起来像 AI 写的部分。根据批评意见重写文章。最后，给我最终稿件、最强的钩子、最薄弱的剩余部分，以及三个能让文章看起来更可信的配图创意。

第五部分 · 研究循环

同样的事情也适用于研究。大多数人让 AI 去“研究一个主题”，然后得到一堆软绵绵的总结，听起来和谷歌搜索第二页上每篇博客文章一样。一个研究循环不应该随机收集事实。它应该 寻找冲突点。

这个领域里最强有力的文章都做了同样的事情：它们发现一种旧行为，解释为什么它现在行不通了，引入一个新类别，然后给读者一个可以现学现用的系统。这就是为什么“循环工程”比“10 个 Claude 提示词”听起来更震撼。一个听起来像 新的操作模式。另一个听起来像 PDF 版的引流磁铁。

1
2像我要写一篇高绩效的 X 平台文章，而不是 SEO 博客文章一样来研究这个主题。
3
4主题：
5[在此处插入主题]
6
7不要给我一个泛泛的总结。
8
9找到这个主题背后的冲突点。
10
11我想知道：
12- 人们还在坚持的旧行为是什么
13- 正在取代它的新行为是什么
14- 为什么旧行为行不通了
15- 哪些证据或例子表明这种转变是真实的
16- 什么样的反直觉角度能让人停止刷屏
17- 哪些说法听起来过于夸张，应该避免
18
19然后把它变成一个创作者简报，包含：
20- 标题
21- 核心论点
22- 开头钩子
23- 文章结构
24- 最强有力的例子
25- 配图创意
26- 读者离开时应该相信什么

第六部分 · 记忆循环

几乎没有人构建的部分是记忆。没有记忆，每个 AI 工作流都有健忘症。它今天能帮你，但明天又会从零开始，像个第一天上班的实习生。

一个记忆循环改变了这一点。每个项目结束后，AI 应该提取出什么有效、什么失败了、哪种风格表现好、哪些例子最有力、哪些论点感觉薄弱、以及下次可以复用什么。这就是系统开始产生复利的方式。

如果你的第二大脑只存储笔记，那是没用的。真正的解锁在于 它能自我维护，发现重复出现的想法，注意到未完成的思考，并在你甚至还没开口询问之前，就把正确的上下文推送到下一个任务中。

1在这个任务完成后，从中提取出可复用的经验教训。
2
3保存以下内容：
4
5任务是什么。
6哪种方法有效。
7哪些内容听起来很泛泛。
8哪些例子最有说服力。
9哪种结构效果最好。
10下次应该复用什么。
11哪个错误不应再犯。
12
13在开始下一个相关任务之前，先检查这次保存的记忆。
14
15如果我即将重复一个旧错误，请指出来。
16
17如果旧模式适用，就复用它。
18
19如果缺少重要的上下文信息，在产出最终答案之前向我询问。

在这个任务完成后，从中提取出可复用的经验教训。

保存任务是什么、哪种方法有效、哪些内容听起来很泛泛、哪些例子有用、下次应该复用什么、以及我应该避免重复哪些错误。在开始下一个相关任务之前，先检查这次保存的记忆，并告诉我是否即将重复一个旧错误，或者错过一个已经奏效的模式。

第七部分 · 现在真正的技能

提示词只是初学者的界面。它教会了人们语言可以控制模型，但也让他们把问题想得太小了。他们仍然把 AI 想象成一个回答问题的盒子，而真正的机会在于构建能够推进工作的系统。

下一个优势在于知道 哪些任务值得设计循环。不是所有任务都需要。一个快速的问题可以保持快速。但任何你每天、每周、或者每次发布、销售、编码、研究、交易、编辑或组织知识时都要做的事情，很可能不应该只存在于一个孤立的聊天里。

那些工作需要一个循环。

循环不会让人类变得无用。它把人类带到了真正重要的部分：设定目标、定义品味、批准高风险决策、以及在每次运行后改进系统。

那些还在收集提示词列表的人，是在优化句子。

而那些构建循环的人，是在优化整个机器。