循环工程：让AI自己执行、检查、修正的完整方法

从写提示词到守流程：一个熟悉的痛点

你可能有过这样的经历：花半天写好一大段提示词，AI回复后，你再逐条挑毛病——这里逻辑不对要重写，那里没有依据得补充，结构太乱又要重排。来回五六轮之后结果确实变好了，但你却一直守在屏幕旁边。

AI帮你省下了打字的时间，却没有省下盯流程的时间。

最近有人喊出"提示词已死"，这话有点夸张，但它确实指向了一个明显的转变：过去我们研究的是"这一轮该怎么问"，现在更值得研究的是"怎么让AI自己执行、检查、修正、再执行"。据B站UP主三九的分析，这套方法可以叫做循环工程（Loop Engineering）。

为什么循环工程现在才能实现

早期模型的理解和行动能力有限，你只能尽量把角色、背景、步骤、格式全部塞进一段提示词里，靠一次输入决定成败。

但最近一代模型已经能够拆解任务、调用工具、读取结果、发现错误，还能换一种方法继续尝试。这些能力的背后是AI Agent（智能体）技术的成熟。2023年以前，大模型主要以对话形式运行，用户输入一段文本，模型返回一段文本，整个过程是单轮或多轮的文本交互。从GPT-4开始，OpenAI引入了Function Calling机制，允许模型在对话过程中主动调用外部函数——比如搜索网页、读取文件、执行代码、查询数据库。Anthropic的Claude也通过Tool Use实现了类似能力。

Function Calling的工作原理是：开发者在API调用时定义一组函数的名称、参数和描述，模型在对话过程中如果判断需要调用某个函数，会返回结构化的JSON参数而非自然语言文本，由开发者的代码执行实际函数调用后将结果回传给模型。这意味着模型本身并不直接执行代码或访问外部系统，而是通过一种"意图表达+外部执行+结果回传"的三步协议完成工具使用。Anthropic的Tool Use遵循类似的设计哲学，但在实现细节上有所不同，例如支持更灵活的工具链组合。这种架构设计使得AI Agent可以在保持安全边界的同时，具备操作外部世界的能力。

这些能力使得AI不再只是"回答问题的聊天机器人"，而是可以执行多步骤工作流的自主代理。既然它已经具备这些动作能力，你就可以把原来手动完成的反馈过程也一起交给它。

循环工程的思想并非凭空而来，它与控制论（Cybernetics）和软件工程中的反馈回路思想一脉相承。早在20世纪40年代，诺伯特·维纳就提出了负反馈控制的概念：系统输出的结果被重新送回输入端，与期望值比较后产生误差信号，驱动系统不断修正。维纳于1948年出版的《控制论》开创了这一领域，其中最经典的例子是恒温器：设定目标温度后，系统不断测量当前温度与目标的差值，据此决定加热或停止。这个看似简单的机制解决了一个根本问题——你不需要精确预测系统在每一刻的状态，只需要定义目标和纠偏规则。在AI领域，强化学习中的奖励信号本质上也是一种反馈机制。循环工程将这种思想从数学模型层面提升到了任务管理层面：验收标准就是"目标温度"，检查机制就是"温度传感器"，修正动作就是"加热或制冷"。

现代软件开发中的CI/CD（持续集成/持续交付）流水线也是同样的逻辑——代码提交后自动编译、运行测试、发现失败则阻止合并。CI/CD由Martin Fowler和Kent Beck等人在2000年代初系统化提出，一条典型的流水线包括：代码提交触发自动构建、运行单元测试和集成测试、通过静态分析检查代码质量、部署到测试环境进行验收测试、最终发布到生产环境。每个阶段都有明确的通过/失败判定标准（即"门禁"），失败时流水线停止并通知开发者。循环工程的四个部件与此高度对应：目标对应构建产物、验收对应测试用例、检查对应门禁机制、预算对应超时和重试策略。这种类比不仅是修辞上的，更暗示了循环工程可以借鉴CI/CD领域数十年积累的最佳实践。

循环工程本质上是把这套工业级的反馈思维应用到了AI任务执行中：不靠一次完美输入决定成败，而是靠多轮检测-修正趋近目标。

举个例子，你想让AI审查一个网站。如果只说"帮我看看有什么问题"，它可能给你十几条建议：有几条能用，有几条很笼统，还可能有几条跟页面完全对不上。这时候质量控制仍然握在你手里，你得追问"具体在哪""哪三项最影响转化""有没有今天就能上线的方案"。

循环工程的四个核心部件：目标、验收、检查、预算

换成循环的写法，任务一开始就要说清楚：读取网站页面和代码，找出至少十个具体问题，标注严重程度和准确位置；给出可执行的修改方案，按收入影响选出前三项；每条建议都要引用网站中已存在的内容；完成后自查一遍，发现空框、事实错误或缺少证据就返回处理；最多尝试十二轮，达到上线标准后停止并汇报。

这套规则里包含四个部分，记住四个词就够了：目标、验收、检查、预算。

目标：明确交付物

最后要交付什么？一份网站审计报告、十个视频选题，还是一张清洗好的数据表？交付物越明确，AI越容易判断任务有没有真正完成。

验收：把标准变成可量化的清单

"写好一点""分析深入一点"都很难检查。换成具体条件：一共多少项、每项有哪些字段、是否要引用来源、按什么规则排序、哪些内容不能出现。这些条件就是AI手里的"尺子"。

这种将验收标准可操作化的做法，借鉴了软件测试中"断言（Assertion）"的思想。断言是自动化测试的基石，最早可追溯到1972年David Parnas提出的程序正确性验证方法。在现代测试框架（如JUnit、pytest、Jest）中，断言是最小的验证单元。一个典型的断言语句如assertEqual(result, expected)会在结果不符预期时立即抛出异常并标记测试失败。断言的威力在于它把"质量"从主观判断变成了二进制结果——要么通过，要么不通过，没有模糊地带。

在循环工程中，这种思维方式尤其重要：当AI对自己的输出进行"自我评价"时，如果没有明确的断言式标准，它倾向于给出"总体不错，但可以改进"这类无法驱动行动的评估。而把验收标准写成可逐条核对的布尔判断——有没有引用来源？数量是否达标？是否包含禁止出现的内容？——就把AI的自我检查从"重新生成一个看起来不同的版本"变成了"逐项比对是否满足既定条件"。

检查：验证而非重生成

一轮完成后，AI要怎么验证结果？可以重新读原始资料查漏，可以跑测试看代码能否通过，也可以对照数据源确认结论有无依据。只让模型再生成一次，往往只得到"另一版答案"；加上检查器，每一轮才有机会真正向验收标准靠近。

预算：给循环设边界防止失控

最多尝试几次、最多消耗多少Token、最长运行多久。这里的Token是大语言模型处理文本的基本单位，并非简单等同于一个字或一个词。英文中一个常见单词通常对应1-2个Token，而中文由于编码方式不同，一个汉字可能消耗1.5-2个Token。模型每次调用都会计算输入Token和输出Token的总量，API按此计费。

主流大模型API的计费方式是按输入Token和输出Token分别计价，且输出Token的单价通常是输入Token的2-4倍。以GPT-4o为例，每百万输入Token约2.5美元，每百万输出Token约10美元。一次包含完整上下文的对话可能消耗数千到数万Token。在循环工程中，每一轮循环都需要将之前的结果、检查反馈和原始指令一起发送给模型，这意味着随着循环次数增加，单轮的输入Token量可能线性甚至超线性增长。十二轮循环的总Token消耗可能是单次调用的50-100倍。因此，预算设置不仅是防止逻辑失控，更是直接关系到使用成本的硬约束。

没有边界的循环可能一直重试，额度烧完了质量却没同步提升。所以达到上限就要停，并说清楚完成了什么、还卡在哪里。

内循环与外循环的区别

理解了四个部件，还要区分两种循环：一个管"这次任务的质量"，一个管"这件事多久做一次"。

这种内外循环的嵌套关系，在计算机科学中有广泛的类比。操作系统的调度器就是一个典型的双层循环结构：外层循环按时间片轮转调度不同进程，内层循环则是每个进程内部的指令执行周期。在DevOps领域，外循环对应发布周期（每周部署一次），内循环对应每次部署中的构建-测试-修复流程。理解这种嵌套关系的关键在于：外循环决定"何时启动"，内循环决定"如何做好"，两者职责分明但紧密协作。

内循环：管单次任务质量

内循环解决的是"这次任务怎么做到合格"。还是审查网站的例子：AI读取页面时发现一部分抓取失败，就调整方法重新读取；生成建议后逐条核对，某条没有证据就删除或重写。这些都发生在一次任务内部。

外循环：管任务执行频率

外循环解决的是"这件事多久再做一次"。比如你每天跟踪五个YouTube频道，AI记录新视频的标题、选题、缩略图和播放表现，再把新发现更新到固定文档，每天执行一次。而每次执行时，它内部仍然要读取、分析、检查、修正——外循环里又嵌套着内循环。如果只有外循环（定时执行）而没有内循环（质量检查），就会产出大量低质量结果；如果只有内循环而没有外循环，就需要人工反复触发，无法实现真正的自动化。

在支持相关命令的AI编程工具里，Go、Loop、Schedule分别对应三件事：Go定义任务目标和完成标准，Loop定义循环执行的频率（如每小时或每天），Schedule用来指定准确时间（如每天早上六点执行）。命令可能随工具版本变化，但顺序很稳定：先定任务，再定验收，然后决定什么时候运行。

循环工程能落地的典型场景

结构搭好后，很多工作都能放进去：

• 内容创作与竞品分析：定期收集对标账号的新视频，记录开头卖点、素材形式和评论反馈，分析哪些结构反复出现。
• 团队项目管理：定期整理项目频道的更新，汇总进度、责任人、卡点问题和待决策事项，输出前先核对消息来源。
• 市场研究与情报监控：定时扫描指定信息源，保留原始链接，按影响程度排序。你每天看到的是整理过的增量，不用重复翻遍所有资讯。

循环还能帮AI"学习你的工作方式"。比如训练写作技能，让它定期分析某个账号的新内容，提取文章结构、句子长度、开头方式和论证习惯，把验证过的规律更新到技能文件里。但要注意：学习风格不等于照抄内容。只提取可复用的结构特征，新内容仍然要回到你自己的观点、经历和素材。

AI自动化也要留边界：人工确认节点

再强大的自动执行，也要保留人工节点。付款、发布、删除文件、修改线上系统、对外发送消息——这些动作最好保留人工确认。AI可以把证据、风险和变更内容准备好，停在执行前的最后一步，等你决定。

这一原则在AI安全和人机交互领域被称为"Human-in-the-Loop（人在回路中）"，它源自军事和航空领域——自动化系统可以完成大部分操作，但关键决策点必须由人类确认。美国国防部在2012年发布的自主武器系统指令中明确要求，致命性决策必须保留人类判断环节。这一原则被广泛引入到AI产品设计中：自动驾驶中的接管机制、医疗AI中的辅助诊断而非自主诊断、金融AI中的交易审批流程。

在机器学习领域，HITL还有另一层含义：人类标注者参与模型训练过程，通过主动学习（Active Learning）策略，模型将自己最不确定的样本交给人类标注，从而用最少的人工投入获得最大的模型提升。在AI工作流自动化中，HITL的设计关键在于确定"断点"的位置——哪些操作是可逆的（如生成文档草稿），哪些是不可逆的（如发送邮件、执行支付）。可逆操作可以让AI自主完成，不可逆操作则必须设置人工确认断点。这种分类方法为循环工程中的权限设计提供了清晰的决策框架。

循环工程中保留关键操作的人工确认节点，正是这一原则在AI工作流自动化中的具体实践。

创意判断、商业方向和价值取舍同样需要人定期校准。AI能查格式、查事实、查规则，但一条内容是否符合品牌气质、一个机会是否值得投入，仍然需要你来判断。

如何开始你的第一个循环工程实践

如果你想动手尝试，建议从过去一周做过的事里选一件——最好是高频、低风险、有固定输入输出、做错也容易恢复的任务。

然后写下四行：

1. 我要什么结果？（目标）
2. 怎样才算合格？（验收标准）
3. 用什么方法检查？（检查机制）
4. 最多运行多少次？（预算边界）

先跑一次内循环，结果稳定后再加定时执行，让它变成外循环。别急着搭一个全天候运行、包办所有工作的AI系统；先让一个小任务稳定转起来，再逐步增加工具权限和范围。每增加一项能力，就补上对应的检查和停止条件。

提示词当然还有用，只是它现在更像"启动工作流的入口"。真正值得练的，是定义目标、设计验收、配置工具、控制权限，以及让系统在失败后安全地再试一次。你不必一直守在对话框前，把反馈写进任务，让AI在边界内自己推进，遇到需要判断的节点再把问题交回来。

从提示词工程走向循环工程，变化就在这里。

核心要点

核心要点