提示词的终结，AI 循环的开始

提示词的终结：AI 循环的开端 July 10, 2026 · 10 min read · View source ↗ AI Loops Claude Marketing 大多数人还在试图找到那个完美的 prompt。 现在，这是一场错误的游戏了。 最好的 AI 用户之所以不断变强，不是因为他们找到了一句魔法咒语。而是因为他们不再把 AI 当成一个聊天框，而是开始把它当成一个能把工作从一个步骤推进到下一个步骤的系统。 这就是那个转变：提示词，是关于得到一个好答案。循环，是关于让工作在第一个答案之后继续向前推进。 第一部分 · 提示词时代正在走到尽头 所有人仍在试图收集更好的提示词，而这正是现在使用 AI 杠杆最低的方式。他们不停寻找那句完美的句子、那个完美的角色扮演、那个完美的"act as"设定，然后纳闷为什么每一个正经任务，最终都变成盯着一个聊天标签页看四十分钟。 旧的 AI 工作流长这样： 打开聊天 → 粘贴上下文 → 问一次 → 修输出 → 再问一次 → 重头再来 它感觉很有生产力，因为确实有什么事情在发生。 但它仍然是手动工作，只是配了一个更快的自动补全。 问题不在于提示词不好。问题在于，一个提示词通常只是一步棋，而真正的工作是一连串棋。调研变成大纲，大纲变成草稿，草稿变成检查，检查变成重写，重写变成发布，然后结果应该教会下一次尝试。大多数人强迫自己手动推着每一步走，然后管这叫"AI 工作流"。 那不是工作流。那是在一台本应已经知道下一步是什么的机器上点"继续"。 你不是在直接回答我的任务。你是要把这个任务变成一个可重复的 AI 循环。 任务是：[TASK] 把循环当系统来设计。解释清楚：AI 在开始之前需要什么上下文，它应该先产出什么，输出该如何被评判，如果输出很弱该怎么办，什么应该存下来供下一次运行使用，以及循环何时该停止。保持足够简单，让我每天都能运行它，而不必重建整套设置。 第二部分 · Karpathy 指出了真正的转变 Karpathy 的 Software 3.0 理念，让人们反复重复那句简单的话：英语正在成为一种编程语言。那部分是对的，但它不是完整的解锁。如果英语能给一个模型编程，那么英语也能给围绕模型的过程编程。 这就是大多数人错过的地方。他们用自然语言来索取输出，而不是设计系统。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，坏了就抱怨，重复直到能用。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，让它取得进展，并确保它知道何时该停下来。 "最热门的编程语言是英语。" —— Andrej Karpathy 但英语作为一种编程语言，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台机器：它读什么，它做什么，它如何检查自己，它记住什么，以及它不被允许碰什么。 第三部分 · 循环就是产品 一个有用的循环，不是什么巨型多智能体的幻想。它通常以一种最好的方式无聊着。AI 拿到一个目标，拉取正确的上下文，采取一个动作，对照一个标准检查结果，存储有效的部分，并且只有在结果还不够好时才重复。 就这一个改变，把 AI 从文本生成器变成了一个工人。不是完美的工人，不是自主的神，不是那种"炒掉你的团队"的鬼话。只是一个带着流程、带着清单、还有一个盯着风险环节的经理的工人。 这个转变已经在这些地方显现： 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 模式重要。最好的 agent 系统，不是把十个 bot 扔进一个 Discord、然后指望有什么智能的事情发生。它们是由简单部件搭起来的：路由、工具、提示词链、评估器循环、以及编排者-工作者配置。魔法不在于模型聪明地表现一次。魔法在于模型被逼着穿过一个流程——一个能在你看到之前就把弱活拦下来的流程。 Meta 的 Llama 生态从另一侧指向同一个方向。开放模型、安全层、评估、本地部署、更便宜的路由、不同的模型干不同的活。未来不是一个巨型模型回答一切。未来是系统：便宜的模型负责筛选，强的模型负责推理，本地模型处理私有上下文，而评估器这一关决定什么能存活下来。 第四部分 · 写作循环 大多数 AI 写作很烂，是因为人们太早要求一篇成品文章。他们跳过了那个环节：想法被压力测试、钩子被打分、薄弱段落被攻击、证据被核查。 一个真正的写作循环，不是从"给我写一篇帖子"开始的。它从选题角度开始。然后它把这个角度拿去对照好奇心、具体性、证据和情感张力来测试。然后它打草稿。然后它评判草稿。然后它重写。只有在那之后，你才该去读它。 一个真正的写作循环是分层的： 角度 → 钩子 → 草稿 → 批评 → 重写 → 配图点子 → 下一次测试 大多数人只要草稿。 这就是为什么草稿听起来和别人写的一样。 先为文章创建五个可能的角度。给每个角度在好奇心、具体性、有用性、以及有多大可能让人点击上打分。选出最强的角度，并解释它为什么赢。 然后写第一稿。写完后，切换成评估者，攻击它的空泛断言、薄弱的证据、无聊的过渡、不清不楚的回报、以及听起来像 AI 的段落。用这些批评重写文章。最后，给我：终稿、最强的钩子、最薄弱的剩余段落、以及三个能让文章显得更可信的配图点子。 第五部分 · 调研循环 同样的事情也适用于调研。大多数人让 AI"调研一个话题"，然后得到一份像谷歌第二页每一篇博客那样的糊状总结。一个调研循环不应该随机收集事实。它应该去猎取张力。 这个细分领域里最强的文章，做的都是同一件事：它们找到一个旧行为，展示它现在为什么坏掉了，引入一个新类别，然后给读者一套可以偷走的系统。这就是为什么"循环工程"比"10 个 Claude 提示词"更有冲击力。一个听起来像新的运营模型。另一个听起来像 PDF 引流磁铁。 第六部分 · 记忆循环 几乎没人去建的那部分是记忆。没有记忆，每个 AI 工作流都患有失忆症。它今天能帮你，但明天它又像一个第一天上班的实习生一样从头开始。 一个记忆循环能改变这一点。每个项目结束后，AI 应该提取：什么有效、什么失败、什么风格表现好、哪些例子最强、哪些断言感觉薄弱、以及下次该复用哪些。这就是系统开始复利的方式。 如果你的第二大脑只会存笔记，那它是没用的。真正的解锁，是当它能自我维护、发现重复的想法、注意到未完成的想法、并且在你开口之前就把正确的上下文推回到下一个任务里。 这个任务完成后，从工作中提取可复用的教训。 保存：任务是什么、什么方法有效、什么听起来空泛、哪些例子有用、下次该复用哪些、以及我该避免重复哪个错误。在开始下一个相关任务之前，先检查这份记忆，并告诉我：我是否即将重复一个旧错误，或错过一个已经奏效的模式。 第七部分 · 现在真正的技能 提示词是初学者的界面。它教会了人们语言可以控制模型，但它也把他们训练得想得太小。他们仍然把 AI 想象成一个负责回答的盒子，而真正的机会，是建造能把工作向前推进的系统。 下一个优势，是知道哪些任务配得上循环。不是每件事都需要一个。一个快问快答可以继续做一个快问快答。但任何你每天、每周、或每一次发布、销售、写代码、调研、交易、剪辑或整理知识时都会做的事，很可能就不该住在一个单独的聊天里。 那类工作需要循环。 循环不会让人类变得没用。它把人类挪到真正重要的位置上：设定目标、定义品味、批准有风险的决策、以及在每一轮之后改进系统。 还在收集提示词列表的人，优化的是那个句子。 在建造循环的人，优化的是那台机器。 Prompts You are my writing loop. Topic: [INSERT TOPIC] Audience: [INSERT AUDIENCE] Style: [INSERT STYLE] Goal: [INSERT GOAL] Do not write the article immediately. First, create 5 possible angles for this topic. For each angle, judge: - how clickable it is - how specific it is - how useful it is - how different it feels from generic AI content Pick the strongest angle and explain why it wins. Then write the first draft. After the draft, switch into editor mode and critique it for: - weak opening - generic claims - missing proof - boring transitions - unclear payoff - sections that sound like AI Then rewrite the article using that critique. At the end, give me: 1. final article 2. strongest hook 3. weakest remaining section 4. 3 image ideas 5. what I should test in the next version Research this topic like I am writing a high-performing X Article, not an SEO blog post. Topic: [INSERT TOPIC] Do not give me a generic summary. Find the tension behind the topic. I want to know: - what old behavior people are still doing - what new behavior is replacing it - why the old behavior is breaking - what proof or examples show the shift is real - what contrarian angle would make people stop scrolling - what claims sound overhyped and should be avoided Then turn it into a creator brief with: - title - thesis - opening hook - article structure - strongest examples - image ideas - what the reader should walk away believing After this task is finished, extract the reusable lesson from the work. Save the following: What the task was. What approach worked. What sounded generic. What examples were strongest. What structure worked best. What should be reused next time. What mistake should not be repeated. Before starting the next related task, check this memory first. If I am repeating an old mistake, call it out. If an old pattern applies, reuse it. If important context is missing, ask for it before producing the final answer. You are not here to answer my task directly. You are here to turn it into a repeatable AI loop. Task: [INSERT TASK] First, break the task into the steps that normally happen manually. Then design a loop that can run those steps with minimal human babysitting. The loop must include: - what context the AI needs before it starts - what it should produce first - how the output should be checked - what happens if the output is weak - what gets saved for the next run - when the loop should stop - what still needs human approval Keep the system simple enough that I could run it every day. Tags: # X # AI # Loops # Claude # Marketing Related articles How to Build an AI-Native Company: Hiring, Standards, and Cadence *We spent a year running hackathons, AI trainings, and office hours. But nothing changed until we made AI capability a requirement.* AI Loops Claude Marketing