提示詞時代的終結：AI 循環的開端

大部分人还在拼命找那个完美的提示词。

但现在已经不是这个游戏了。

顶尖的 AI 使用者之所以越来越强，不是因为他们找到了什么神奇句子。而是因为他们不再把 AI 当成聊天框，而是开始把它当成一个能把工作一步步向前推进的系统。

关键转变就在这：提示词是为了得到一次好答案。而循环，是为了让工作在第一轮答案之后继续滚动。

第一部分 · 提示词时代已经走到尽头

所有人还在收集所谓的 更好提示词，可现在这已经是使用 AI 最低效的方式了。他们继续追寻那个完美的句子、完美的角色设定、完美的「扮演」框架，然后每次遇到正经任务，还是得在聊天标签页里耗上四十分钟，像个保姆一样。

• 旧的 AI 工作流长这样：
• 打开聊天 → 贴上背景 → 问一次 → 修正输出 → 再问一次 → 重新开始
• 感觉好像很有效率，因为确实有东西在跑。
• 但这本质上还是手动工作，只是换了个更快的自动补全。

问题不在于提示词不好。问题在于 一个提示词通常只完成一步，而真正的工作是一连串步骤。研究变成大纲，大纲变成草稿，草稿变成检查，检查变成重写，重写变成发布，然后结果应该反过来指导下一次尝试。大多数人强迫自己手动推进每一步，然后称之为「AI 工作流」。

那根本不是工作流。那只是在 一台本该知道下一步该做什么的机器上，不停地按「继续」。

1你不是来直接回答我的任务的。
2
3你是来把它变成一个可重复的 AI 循环。
4
5任务：
6[INSERT TASK]
7
8首先，把任务拆解成通常需要手动完成的步骤。
9
10然后设计一个循环，让这些步骤能用最少的人工干预运行。
11
12循环必须包含：
13- AI 开始前需要什么背景
14- 它应该先产出什么
15- 输出结果如何检查
16- 输出太弱怎么办
17- 哪些内容要保存给下次运行
18- 循环应该在什么时候停止
19- 哪些部分仍然需要人工批准
20
21保持系统足够简单，让我可以每天运行。

你不是来直接回答我的任务的。你是来把这个任务变成一个可重复的 AI 循环。

任务是：[TASK]

像设计一个系统一样设计这个循环。说明 AI 开始前需要什么背景，它应该先产出什么，输出结果如何评判，输出太弱应该怎么办，哪些内容要保存给下次运行，以及循环应该在什么时候停止。保持简单，让我可以每天运行，而不需要每次重头搭建整个设置。

第二部分 · Karpathy 指出了真正的转变

Karpathy 的 Software 3.0 概念让很多人重复那句流行的话：英文正在成为编程语言。这部分没错，但这不是全部的解锁能力。如果英文能编程模型，那么英文也能围绕模型编程出一个流程。

这就是大多数人没抓住的地方。他们用自然语言来要求输出，而不是用来设计系统。Vibe coding 是那个混乱的第一版：描述你想要什么，让 AI 写代码，运行它，出错了就抱怨，重复直到有东西能用。而循环，是同一个本能的更干净版本：给 AI 一个目标，给它工具，给它一个检查机制，让它自己推进，并确保它知道什么时候该停。

「最新的热门编程语言是英文。」

by Andrej Karpathy

但英文作为编程语言，不代表你应该写更长的提示词。而是意味着你应该开始描述整台机器：它读什么、它做什么、它如何自我检查、它记得什么、以及它不被允许碰什么。

第三部分 · 循环本身就是产品

一个有用的循环，不是什么巨大的多 Agent 幻想。它通常无聊得恰到好处。AI 拿到一个目标，拉取正确的背景，采取行动，对照标准检查结果，存储有效的内容，并且只有在结果还不够好时才会重复。

这一个改变，就把 AI 从文本生成器变成了一个工作者。不是完美的工作者，不是自主的神，也不是什么「炒掉你团队」的胡话。只是一个有流程、有检查清单、有管理者盯着风险部分的工作者。

• 这个转变已经体现在：
• 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 系统不是靠把十个机器人丢进 Discord 里然后指望发生什么智能行为来构建的。它们是由简单的部件构建的：路由、工具、提示链、评估循环、以及编排者-工作者设置。魔法不在于模型一次性聪明地行动。魔法在于模型被强制通过一个能在你看到之前就抓住弱点的流程。

Meta 的 Llama 生态系统从另一个方向指向了同样的目标。开放模型、安全层、评估、本地部署、更便宜的路由、不同任务用不同模型。未来不是用一个巨型模型回答所有问题。未来是系统：便宜的模型负责分类，强大的模型负责推理，本地模型处理私有背景，评估器负责决定什么能通过。

第四部分 · 写作循环

大多数 AI 写作之所以糟糕，是因为人们太早要求一篇完整的文章。他们跳过了那个环节：想法被压力测试、钩子被评分、薄弱部分被攻击、证据被检查。

真正的写作循环不会从「给我写一篇文章」开始。它从角度选择开始。然后测试这个角度是否具备好奇心、具体性、证据和情感张力。接着起草。然后评判草稿。然后重写。只有在那之后，你才应该阅读它。

真正的写作循环有层次：

角度 → 钩子 → 草稿 → 批评 → 重写 → 配图想法 → 下一次测试

大多数人只要求草稿。

所以草稿听起来跟别人的一样。

1你是我的写作循环。
2
3主题：
4[INSERT TOPIC]
5
6受众：
7[INSERT AUDIENCE]
8
9风格：
10[INSERT STYLE]
11
12目标：
13[INSERT GOAL]
14
15不要立刻写文章。
16
17首先，为这个主题创建 5 个可能的切入角度。
18
19对每个角度，评判：
20- 点击吸引力
21- 具体程度
22- 有用程度
23- 与一般 AI 内容相比的差异感
24
25选出最强的角度并解释为什么它胜出。
26
27然后写出第一版草稿。
28
29草稿完成后，切换到编辑模式，批评它：
30- 开头是否薄弱
31- 是否存在泛泛而谈的论断
32- 是否缺少证据
33- 过渡是否无聊
34- 收益是否不明确
35- 哪些部分听起来像 AI
36
37然后根据批评意见重写文章。
38
39最后，给我：
401. 最终文章
412. 最强的钩子
423. 最弱的剩余部分
434. 3 个配图想法
445. 下一次版本中应该测试什么

首先为文章创建五个可能的切入角度。对每个角度评分：好奇心、具体性、有用性，以及让人点击的可能性。选出最强的角度并解释为什么它胜出。

然后写出第一版草稿。草稿完成后，切换到评估者角色，攻击它：泛泛而谈的论断、薄弱的证据、无聊的过渡、不明确的收益、以及听起来像 AI 的部分。根据批评意见重写文章。最后，给我最终草稿、最强的钩子、最弱的剩余部分，以及三个能让文章更可信的配图想法。

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「研究一个主题」，然后得到一个软绵绵的总结，听起来跟谷歌搜索第二页的每篇博客文章一样。一个研究循环不应该随机收集事实。它应该寻找张力。

这个领域里最强的文章都做同一件事：找到一种旧的行为，展示为什么它现在行不通了，引入一个新的类别，然后给读者一个可以偷走的系统。这就是为什么「循环工程」比「10 个 Claude 提示词」更有冲击力。一个听起来像一种新的运作模式，另一个听起来像一份 PDF 铅磁铁。

1
2像在写一篇高互动 X 文章而不是 SEO 博客文章一样研究这个主题。
3
4主题：
5[INSERT TOPIC]
6
7不要给我一个泛泛的总结。
8
9找到主题背后的张力。
10
11我想知道：
12- 人们还在做什么旧的行为
13- 什么新行为正在取代它
14- 为什么旧的行为正在失效
15- 有什么证据或例子能证明这个转变是真实的
16- 什么反直觉的角度能让人停下来滑动
17- 什么主张听起来过度炒作，应该避免
18
19然后把它变成一份创作者简报，包含：
20- 标题
21- 论点
22- 开头钩子
23- 文章结构
24- 最有力的例子
25- 配图想法
26- 读者应该带着什么信念离开

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 工作流都患有健忘症。它今天可以帮你，但明天又会像第一天上班的实习生一样重新开始。

记忆循环改变了这一点。在每个项目之后，AI 应该提取出哪些有效、哪些失败、哪种风格表现好、哪些例子最有力、哪些主张感觉薄弱、以及下次应该重复使用什么。这就是系统开始复利的方式。

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，发现重复的想法，注意到未完成的思考，并在你甚至还没问之前，就把正确的背景推送到下一个任务中去。

1这个任务完成后，从工作中提取出可重复使用的经验。
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哪些例子最有力。
9哪种结构效果最好。
10下次应该重复使用什么。
11哪些错误不应该再犯。
12
13在开始下一个相关任务之前，先检查这段记忆。
14
15如果我在重复一个旧错误，指出来。
16
17如果旧模式适用，就重复使用它。
18
19如果重要的背景缺失，在产生最终答案前先询问。

这个任务完成后，从工作中提取出可重复使用的经验。

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、下次应该重复使用什么、以及我应该避免重复什么错误。在开始下一个相关任务之前，先检查这段记忆，并告诉我是否即将重复旧错误或错过已经有效的模式。

第七部分 · 真正的技能现在

提示词是初学者的界面。它教会了人们语言可以控制模型，但同时也训练他们想得太小。他们仍然把 AI 想象成一个回答问题的盒子，而真正的机会是构建能把工作向前推进的系统。

下一个优势在于知道哪些任务值得建立循环。不是所有事情都需要。一个快速问题可以保持快速问题。但任何你每天、每周、或每次发布、销售、编程、研究、交易、编辑、整理知识时都会做的事情，很可能不应该只存在于一个单一的聊天中。

那项工作需要循环。

循环不会让人类变得无用。它把人类移到了真正重要的部分：设定目标、定义品味、批准有风险的决策、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。

而构建循环的人，是在优化机器。