AI Loop：别再写 Prompt 了，去设计循环吧

一、🔍 什么是 Loop？

Loop（循环）是计算机最底层的能力之一。它只包含三件事：

• 🏁 从哪开始
• 🔄 重复做什么
• 🛑 什么时候停
  

面对一万行数据，要逐行检查、改格式——人工做很慢，但写一个循环程序，几秒钟就跑完了。

这个看似简单的逻辑，其实也是所有大语言模型（LLM）的底层训练方式。无论是 DeepSeek、Claude 还是 Qwen，训练过程都遵循同一个模式：

📦 拿一批数据给模型看 → 📏 算它错了多少 → 🔧 调整参数 → 🔁 再来一轮。

万亿次循环之后，AI 就学会了对话和协作。✨

二、😮‍💨 日常协作的困境

我们每天跟 AI 一问一答的过程，本质上也是一个人工驱动的 Loop：

✍️ 写 Prompt → 👀 看结果 → 😞 不满意 → 📝 改 Prompt → 🔁 再来一遍

这种方式的问题是：虽然工作交给了 AI，但人必须盯着 AI 干活。 👀 每轮都要手动判断结果好不好、手动修改输入，人始终被绑在流程里。😩

Loop 的核心价值，就是把人从循环中抽离出来。 🚀 让 AI 自己生成、自己检查、自己迭代，直到满足条件。

三、🏗️ AI Loop 的架构

AI Loop 包含两个核心环节：

两者交替执行，形成一个自治环路：

┌──────────┐ ┌──────────┐
│ 🧠 gen() │ ──→ │ 🔎 check()│
│ 生成内容 │ │ 校验结果 │
└──────────┘ └────┬─────┘
↑ │
│ ┌───────────┘
│ │ ✅ pass? → 结束
│ │ ❌ fail? → 再来一轮
└────┘

四、💻 代码实现

4.1 🔌 初始化与配置

首先加载环境变量，创建 OpenAI 兼容的客户端（这里使用 DeepSeek）：

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
});

4.2 🛑 刹车机制——防止死循环

Loop 最大的风险是停不下来。我们需要三种刹车策略：

const limit = {
maxRound: 5, // 最大尝试次数，防止死循环
maxTokens: 2000, // 超预算限制，控制成本
sameStop: 2 // 连续相同几次停下来，避免原地踏步
}

每种刹车各有分工：

对应的刹车判断函数：

let round = 0, totalTokens = 0, lastText = "", sameCount = 0;
function needStop() {
return round >= limit.maxRound
|| totalTokens >= limit.maxTokens
|| sameCount >= limit.sameStop;
}

4.3 📋 定义任务与规则

任务描述和校验规则是关键——规则越清晰，Loop 越高效：

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

4.4 🧠 生成函数 —— gen()

调用 LLM 生成内容，返回文本和消耗的 token 数：

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
};
}

4.5 🔎 校验函数 —— check()

再调用一次 LLM，让它以结构化的方式判断生成结果是否满足所有规则：

async function check(text) {
const res = await client.chat.completions.create({
model: 'deepseek-v4-flash',
messages: [
{
role: 'user',
content: `校验${text}
规则：${task.rules.join("、")}，
仅输出JSON{pass:布尔，fail:数组}`
}
]
})
return JSON.parse(res.choices[0].message.content.trim());
}

💡 注意这里要求 LLM 输出 JSON 结构 {pass: boolean, fail: string[]}，这样程序可以直接解析，不需要人工介入判断。

4.6 🔁 核心循环 —— runLoop()

把生成和校验串起来，构成自治循环：

async function runLoop() {
console.log('AI Loop 开始');
while (!needStop()) {
round++;
console.log(`\\n第${round}轮`);

const { text, token } = await gen();
totalTokens += token;

// 检测是否与前一次内容相同
sameCount = text === lastText ? sameCount + 1 : 0;
lastText = text;

const { pass, fail } = await check(text);

if (pass) {
console.log(`全部规则通过，循环结束`);
console.log(`最终文案：${text}`);
return; // 通过，退出
} else {
console.log(`不满足${fail}`);
// 继续下一轮
}
}
console.log(`触发刹车强制停止，最后一次内容：${lastText}`);
}

runLoop();

五、🎬 完整执行流程

整个 Loop 的运行过程如下：

🔄 第1轮: gen() 生成文案 → check() 校验 → ❌ fail: ["标题带数字", "大爆款"]
🔄 第2轮: gen() 生成文案 → check() 校验 → ❌ fail: ["正文包含图片"]
🔄 第3轮: gen() 生成文案 → check() 校验 → ❌ fail: ["结尾有行动号召"]
🔄 第4轮: gen() 生成文案 → check() 校验 → ✅ pass → 🎉 结束

或者触发刹车：

🔄 第1~5轮: 始终有个规则不满足 → 🛑 maxRound 触发 → 强制停止

六、⚖️ 优势与成本

✅ 优势

• 🚀 解放人力：不需要人工盯着每一轮结果、手动改 Prompt 再试
• 📏 可量化：规则明确、结果可编程解析，不像"差不多""还行"这种主观判断
• 🔧 可复用：换一个 task.desc 和 task.rules，就能用于其他场景（文案、代码、翻译……）

⚠️ 缺点

• 💸 Token 消耗量大：每轮都需要一次生成 + 一次校验，堆叠起来 token 成本不容忽视
• 🎲 LLM 判断的可靠性：check 环节本身也依赖 LLM，校验结果的准确性并非 100%，复杂规则可能出现误判

这也是 readme 中提到的核心权衡：Loop 解放了人，但 token 量会爆炸。 💣

七、🚀 思考延伸

这个 Demo 虽然简单，但揭示了一个方向性的转变：

💬 从"我一问，AI 一答" → 🤖 “我设规则，AI 自己跑”

Claude Code 的作者也说过类似的话——他不是在写 prompt，而是在设计 loop。当你把"写提示词"的思维，切换到"设计循环和校验规则"的思维，AI 的使用方式就完全不同了。

你可以在这个框架上继续扩展：

• 🧠 多模型协作：用不同的模型负责生成和校验，发挥各自优势
• 🪜 渐进式规则：第一轮先过基础规则，后续轮次逐步收紧
• 📝 历史反馈：把上一轮失败的原因喂给下一轮的生成，让 AI 有针对性地改进
• 🏆 多路径竞争：同一轮生成多个版本，只留校验得分最高的那个继续迭代

Loop 这个概念，简单却强大——它把 AI 从"🔧 工具"变成了"👷 工人"。