别再手写Prompt了！用AI Loop实现自动化自我迭代，效率提升10倍

别再手写Prompt了！用AI Loop实现自动化自我迭代，效率提升10倍并不只看表面做法，关键还要理解相关条件、限制和后续影响。

什么是AI Loop？循环才是AI的底层基因

如果你写过代码，一定对for、while不陌生。循环（Loop） 是计算机最基础的控制结构，它只做三件事：

1. 从哪开始
2. 重复做什么
3. 什么时候停

比如，你有一万行Excel数据要逐行检查格式，人工可能要搞一整天，但写个循环程序，几秒钟跑完。循环的价值，就是把重复劳动交给机器。

而我们现在使用的所有大语言模型（LLM）——DeepSeek、Claude、Qwen……它们的训练过程本质上也是一个巨大的循环：

然而，在日常使用中，我们却常常陷入手动循环：

1. 写Prompt → 看结果 → 不满意 → 改Prompt → 再看结果……
2. 你把工作交给了AI，但自己还得像监工一样盯着，手动迭代。

这就是手动Loop——低效、费时、容易遗漏。

而我们要讲的AI Loop，就是把这些手动过程自动化，让AI自己生成、自己检查、自己修正，直到满足你的要求为止。

一个真实的AI Loop代码实战

下面这段代码（main.mjs）是我用DeepSeek API实现的一个完整AI Loop。它让AI自主完成“小红书美妆文案”的生成，并自动校验规则，不达标就重来，直到通过或触发刹车条件。

我们先贴出完整代码，再逐行拆解。

import { OpenAI } from'openai';import dotenv from'dotenv';dotenv.config();const client = newOpenAI({apiKey: process.env.DEEPSEEK_API_KEY,baseURL: process.env.DEEPSEEK_BASE_URL});// -------------------- Loop 可控边界 --------------------const limit = {maxRound: 5,// 最大尝试轮数（防死循环）maxToken: 2000, // 总token消耗上限（防超预算）sameStop: 2// 连续相同结果几次就停（防原地踏步）};const task = {desc: "小红书美妆文案", // 目标rules: ["标题带数字", "正文<300字", "大爆款", "结尾有行动号召"] // 校验规则};let round = 0, totalToken = 0, lastText = "", sameCount = 0;// -------------------- 刹车判断 --------------------functionneedStop() {return round >= limit.maxRound || totalToken >= limit.maxToken ||sameCount >= limit.sameStop;}// -------------------- 生成文案（生产者） --------------------asyncfunctiongen() {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`}]});console.log(res.usage.total_tokens, res.choices[0].message.content);return {text: res.choices[0].message.content.trim(),token: res.usage.total_tokens};}// -------------------- 校验文案（检查者） --------------------asyncfunctioncheck(text) {const res = await client.chat.completions.create({model: "deepseek-v4-flash",messages: [{role: "user",content: `校验文案: ${text}规则: ${task.rules.join("、")},仅输出JSON {pass: 布尔, fail: 数组}`}]});returnJSON.parse(res.choices[0].message.content.trim());}// -------------------- 主循环 --------------------asyncfunctionrunLoop() {console.log('AI Loop 开始');while (!needStop()) {round++;console.log(`n 第${round}轮`);// 1. 生成const { text, token } = awaitgen();totalToken += token;// 2. 记录重复情况（用于 sameStop）sameCount = (text === lastText) ? sameCount + 1 : 0;lastText = text;// 3. 校验const { pass, fail } = awaitcheck(text);if (pass) {console.log(`✅ 全部规则通过，循环结束`);console.log(`最终文案:n${text}`);return;}console.log(`❌ 不满足规则: ${fail.join(', ')}，继续下一轮...`);}console.log(`n⛔ 触发刹车强制停止，最后一次内容:n${lastText}`);}runLoop();

逐行拆解：每个变量、每个函数都在做什么

1. 客户端初始化（OpenAI兼容接口）

const client = newOpenAI({apiKey: process.env.DEEPSEEK_API_KEY,baseURL: process.env.DEEPSEEK_BASE_URL});

这里使用了openai库，但baseURL指向了 DeepSeek 的接口。因为 DeepSeek 兼容 OpenAI 的 API 格式，所以我们能用同一套代码调用 DeepSeek 模型。环境变量中存储了密钥和地址。

2. 控制边界 ——limit对象

constlimit= {maxRound:5,maxToken:2000,sameStop:2};

这三个字段是循环的“刹车系统” ，防止程序失控：

1. maxRound：最大尝试轮数。避免因为规则永远无法满足而陷入死循环。
2. maxToken：总 token 消耗上限。调用 API 是按 token 计费的，设定预算可以控制成本。
3. sameStop：连续多少次生成结果完全相同时强制停止。有时候AI会卡在同一个错误输出上，这个条件能及时止损。

3. 任务定义 ——task

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

1. desc是目标描述，会注入到生成 prompt 中。
2. rules是校验规则列表，既会注入生成 prompt（让AI按规则写），也会单独用于检查。

4. 全局状态变量

let round = 0, totalToken = 0, lastText = "", sameCount = 0;

1. round：当前轮次。
2. totalToken：累计消耗的 token 数。
3. lastText：上一轮生成的文案文本，用于比较是否重复。
4. sameCount：连续重复的次数。

5. 刹车函数needStop()

functionneedStop() {returnround >= limit.maxRound || totalToken >= limit.maxToken || sameCount >= limit.sameStop;}

它返回一个布尔值，只要满足任意一个刹车条件，循环就终止。这是 Loop 的“退出检查点”。

6. 生成函数gen()—— 生产者

asyncfunctiongen() {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`}]});console.log(res.usage.total_tokens, res.choices[0].message.content);return {text: res.choices[0].message.content.trim(),token: res.usage.total_tokens};}

1. 它向 DeepSeek 发送一个生成 prompt，要求 AI 按照task.rules写文案。
2. 返回一个对象，包含text（文案内容）和token（本次消耗的 token 数）。
3. console.log会打印出每次的 token 数和原始输出，方便调试。

7. 校验函数check(text)—— 检查者

asyncfunctioncheck(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}`}]});returnJSON.parse(res.choices[0].message.content.trim());}

这是整个 Loop 的自我检验环节。

1. 它把生成的文案和规则一起发给 AI，要求 AI 扮演“质检员”。
2. 强制要求 AI只输出 JSON，格式为{pass: true/false, fail: ["规则1", "规则2"]}。
3. 我们解析 JSON 得到pass和fail，从而知道文案是否达标，以及哪些规则没通过。

为什么让 AI 自己检查自己？

因为规则是自然语言描述的（如“标题带数字”），传统代码很难直接判断。而 LLM 本身具备语义理解能力，让它当检查员是最自然的选择。这其实是LLM 的自我反思（Self-Reflection） 技术的简化版。

8. 主循环runLoop()

javascript

asyncfunctionrunLoop() {console.log('AI Loop 开始');while (!needStop()) {round++;console.log(`n 第${round}轮`);// ① 生成const { text, token } = awaitgen();totalToken += token;// ② 记录重复sameCount = (text === lastText) ? sameCount + 1 : 0;lastText = text;// ③ 校验const { pass, fail } = awaitcheck(text);if (pass) {console.log(`✅ 全部规则通过，循环结束`);console.log(`最终文案:n${text}`);return;}console.log(`❌ 不满足规则: ${fail.join(', ')}，继续下一轮...`);}console.log(`n⛔ 触发刹车强制停止，最后一次内容:n${lastText}`);}

流程图如下：

text

开始 → 检查刹车 → (未刹车) → 轮次+1 → 生成文案 → 累加token → 判断是否与上一轮相同 → 更新sameCount → 校验文案 → 通过？ → 结束并输出↓ 不通过打印失败规则，回到循环开头

关键点：

1. 每轮都会生成全新的文案（不是基于上一轮修改，而是重新生成），这样能保证多样性，但也会增加 token 消耗。
2. 校验结果fail数组会打印出来，让我们知道具体哪里不达标，方便人工干预（也可以进一步把失败规则反馈给生成 prompt，实现“带反馈的生成”，但本例未做）。
3. 如果校验通过，立即return退出，输出最终文案。
4. 如果触发刹车，则输出最后一次内容并退出。

循环的自我检验（Self-Check）过程详解

这是 AI Loop 最精髓的部分。我们来看一个具体例子：

第一轮生成：

校验函数收到文案后，AI 检查员返回：

{"pass":false,"fail":["标题带数字"]}

于是循环继续。

第二轮生成（可能因为随机性，这次带数字了）：

校验返回：

{"pass":false,"fail":["正文<300字"]}

继续循环。

第三轮生成，AI 终于写出了满足所有规则的文案，校验返回{"pass": true, "fail": []}，循环结束。

这个过程中，AI 既是作者，又是审稿人，不需要我们手动检查每一轮，完全自动化。

为什么说 AI Loop 解放了人，但也带来“Token大爆炸”？

优势：

1. 将重复的“生成→检查→修改”工作完全自动化，我们只需要设定目标和规则。
2. 可以并行运行多个 Loop，快速产出高质量内容。
3. 适用于各种有明确规则的文本生成任务（广告文案、产品描述、代码生成、邮件撰写等）。

缺点：

1. Token 消耗会成倍增加。假设平均每轮消耗 500 token，跑 5 轮就是 2500 token，比一次生成贵 5 倍。
2. 如果规则设置不合理，可能永远无法通过，全靠刹车机制兜底。
3. AI 校验本身也可能出错（比如误判），导致 Loop 提前结束或无限循环。

所以，设计 Loop 时要精心设置边界：最大轮数、预算上限、重复停止条件，三者缺一不可。

如何改进？让 Loop 更聪明

1. 反馈式生成：把上一轮fail的规则传回给生成 prompt，比如“上次缺少标题数字，这次请加上”。这样能加速收敛。
2. 动态调整规则：如果连续几轮都卡在同一个规则，可以适当放宽要求（比如字数从“<300”改为“<350”）。
3. 多模型协作：生成用创意模型，校验用严谨模型（如 GPT-4 校验，Claude 生成），各取所长。
4. 记录历史：保存每一轮的文案和校验结果，方便分析 Loop 行为。

结语：你写的不是代码，是AI的工作流

Loop 是计算机科学最基础的概念，但在 AI 时代被赋予了新的生命。AI Loop不仅仅是循环，而是一种自主迭代的工作流——让 AI 自己生成、自己检查、自己完善，直到满足人类设定的目标。

下次当你还在手动改 Prompt 时，不妨想一想：能不能把这件事交给一个 Loop？