每位 AI 工程师都应该知道的 20 个循环设计模式

每位 AI 工程师都应该知道的 20 个循环设计模式每位 AI 工程师都应该知道的 20 个循环设计模式 Modified July 1 循环会持续分解，直到系统可以行动。 14. 进度评估循环每 N 步停下来问一次。 “我们真的更接近目标了吗？” 如果是：继续当前策略。如果不是：改变策略、工具或计划。系统会监控自己的进度。而不是盲目执行。用于：长时间运行的研究智能体、多日自主任务、调试智能体。 15. 约束满足循环持续运行，直到所有约束都满足。 Code block Plain Text Copy while not all constraints satisfied(output): output = improve(output, unsatisfied constraints) constraints = [ budget under limit, quality above threshold, latency under 200ms, tone matches brand, no hallucinations ] 这在生产系统中非常常见。输出只有在每条业务规则都通过之后，才算完成。类别 4：探索循环（通过尝试多条路径找到最佳答案） 16. 分支并探索循环不要押注单一路径。同时探索多条路径。 Code block Plain Text Copy paths = [ generate(approach="conservative"), generate(approach="aggressive"), generate(approach="creative") ] scores = [evaluate(p) for p in paths] best = paths[scores.index(max(scores))] 比较结果。选择最佳分支。丢弃其余分支。用于：内容变体、架构决策、多假设调试、A/B 生成。 17. 树搜索循环分支并探索只深入一层。树搜索会根据需要深入多层。扩展最有希望的节点。剪掉最弱的节点。持续探索，直到找到解。 Code block Plain Text Copy root → [A, B, C] A → [A1, A2] A 看起来有希望，扩展它 B → prune B 很弱，到此停止 A1 → [A1a, A1b] A1a → solution ✓ 用于：复杂推理链、多步规划、代码调试、研究综合。计算成本高，但能找到单次调用找不到的解。 18. 辩论循环两个智能体。一个主题。相反立场。智能体 A 支持答案。智能体 B 反对答案。每一轮都会挑战假设、要求证据、暴露薄弱逻辑。最终答案从分歧中浮现。不是从一致中产生。对抗压力会发现自信的单智能体答案漏掉的东西。用于：投资决策、战略规划、风险评估、研究批判。类别 5：系统优化循环（循环改进循环本身） 19. 提示词优化循环大多数工程师写一次提示词，然后再也不碰它。提示词优化循环改变了这一点。系统会： → 在测试集上运行提示词→ 给每个输出打分→ 找出提示词失败的位置→ 重写提示词来修复这些失败→ 重新运行并重新打分提示词会自动变好。不需要人类动手。 Code block Plain Text Copy current prompt = "概括这份文档。" for iteration in range(max iterations): outputs = [run(current prompt, doc) for doc in test set] scores = [evaluate(o) for o in outputs] avg score = mean(scores) if avg score = target: break failures = [o for o, s in zip(outputs, scores) if s < threshold] current prompt = improve prompt(current prompt, failures) 提示词会根据失败位置重写自己用于：生产流水线、自动化内容系统、分类任务。生产级 AI 中最好的提示词，不是人类写出来的。它们是演化出来的。 20. 工作流优化循环这里开始变得有意思。循环改进循环。系统会衡量自己的性能： → latency：每个步骤耗时多久？ → cost：每次调用用了多少 token？ → quality：每个阶段的输出分数是多少？然后它会修改自己的工作流。太慢？并行化两个步骤。太贵？在质量能保持的地方，把一次 GPT 4 调用换成更小模型。质量下降？在最终输出前加入一个批判者。 Code block Plain Text Copy metrics = measure workflow(outputs, latency, cost) if metrics.latency target latency: workflow = parallelize(slow steps) if metrics.cost budget: workflow = replace with cheaper model(high cost steps) if metrics.quality < threshold: workflow = add critic before(final output step) 循环会持续分解，直到系统可以行动。 14. 进度评估循环每 N 步停下来问一次。 “我们真的更接近目标了吗？” 如果是：继续当前策略。如果不是：改变策略、工具或计划。系统会监控自己的进度。而不是盲目执行。用于：长时间运行的研究智能体、多日自主任务、调试智能体。 15. 约束满足循环持续运行，直到所有约束都满足。这在生产系统中非常常见。输出只有在每条业务规则都通过之后，才算完成。类别 4：探索循环（通过尝试多条路径找到最佳答案） 16. 分支并探索循环不要押注单一路径。同时探索多条路径。比较结果。选择最佳分支。丢弃其余分支。用于：内容变体、架构决策、多假设调试、A/B 生成。 17. 树搜索循环分支并探索只深入一层。树搜索会根据需要深入多层。扩展最有希望的节点。剪掉最弱的节点。持续探索，直到找到解。用于：复杂推理链、多步规划、代码调试、研究综合。计算成本高，但能找到单次调用找不到的解。 18. 辩论循环两个智能体。一个主题。相反立场。智能体 A 支持答案。智能体 B 反对答案。每一轮都会挑战假设、要求证据、暴露薄弱逻辑。最终答案从分歧中浮现。不是从一致中产生。对抗压力会发现自信的单智能体答案漏掉的东西。用于：投资决策、战略规划、风险评估、研究批判。类别 5：系统优化循环（循环改进循环本身） 19. 提示词优化循环大多数工程师写一次提示词，然后再也不碰它。提示词优化循环改变了这一点。系统会： → 在测试集上运行提示词→ 给每个输出打分→ 找出提示词失败的位置→ 重写提示词来修复这些失败→ 重新运行并重新打分提示词会自动变好。不需要人类动手。用于：生产流水线、自动化内容系统、分类任务。生产级 AI 中最好的提示词，不是人类写出来的。它们是演化出来的。 20. 工作流优化循环这里开始变得有意思。循环改进循环。系统会衡量自己的性能： → latency：每个步骤耗时多久？ → cost：每次调用用了多少 token？ → quality：每个阶段的输出分数是多少？然后它会修改自己的工作流。太慢？并行化两个步骤。太贵？在质量能保持的地方，把一次 GPT 4 调用换成更小模型。质量下降？在最终输出前加入一个批判者。真正自我改进的系统，从这里开始。不只是输出会改进。系统会重新设计自己。这 20 个模式背后的共同结构上面的每一个循环，都共享同一个结构：行动 → 观察 → 评估 → 调整第一次尝试的输出，从来不是最终版本。输出只是起点。循环把起点变成能进入生产环境的东西。完整地图类别 1：质量循环（输出离开系统前先变好） → 1. 生成 → 批判 → 重写 → 2. 评分并重试 → 3. 多批判者 → 4. 对抗式批判 → 5. 评审集成类别 2：记忆循环（从已经发生的事情中学习） → 6. Reflexion → 7. 记忆更新 → 8. 错误库 → 9. 成功模式 → 10. 记忆压缩类别 3：规划循环（现实变化时进行适配） → 11. 计划 → 执行 → 重规划 → 12. 动态工作流 → 13. 目标分解 → 14. 进度评估 → 15. 约束满足类别 4：探索循环（通过尝试多条路径找到最佳答案） → 16. 分支并探索 → 17. 树搜索 → 18. 辩论类别 5：系统优化循环（循环改进循环本身） → 19. 提示词优化 → 20. 工作流优化大多数工程师认为智能体是未来。智能体只是工人。循环才是让工人进步的东西。 AI 现在正在发生的最大转变，不是更好的模型。而是从：提示词 → 响应转向：生成 → 评估 → 学习 → 改进掌握循环设计的团队，不会只是构建更好的提示词。他们会构建部署后每天都在变好的系统。而且不需要任何人触碰。如果这对你有用： → 转发给你认识的每位 AI 工程师→ 关注 @sairahul1，获取更多类似模式→ 收藏这篇：本周选一个循环并实现它我写 AI、产品构建，以及那些能在没有你参与时自动工作的系统。原帖链接：https://x.com/sairahul1/status/2072258045460226373 原帖链接：https://x.com/sairahul1/status/2072258045460226373 大多数 AI 工程师都知道如何构建一个智能体。但很少有人知道如何构建一个在第一次尝试后会变得更好的系统。这个差距，价值六位数。区别在这里：智能体是工人。循环让工人持续改进。今天生产环境里最强的 AI 系统，并不是一次单独的模型调用。它们是循环。生成 → 评估 → 学习 → 改进。一遍又一遍。直到输出真的足够好。下面是 20 个在生产级 AI 系统中反复出现的循环设计模式。收藏起来。你可以用它们来构建系统。智能体 vs 循环旧方式：提示词 → 响应 → 完成。新方式：生成 → 批判 → 重写 → 评分 → 重试 → 记住 → 改进。前者像一个只做一次工作的流水线工人。后者像一个会研究每次错误、重写操作手册，并在每个班次都变强 3% 的工人。现在真正能交付生产级 AI 的团队，并不是在写更好的提示词。他们是在构建更好的循环。类别 1：质量改进循环（让输出离开系统之前变得更好） 1. 生成 → 批判 → 重写 AI 工程里最重要的循环。生成输出。批判者审查它。生成器根据反馈重写。重复，直到达到质量阈值。不是一个模型，而是两个角色，一条流水线。用于：写作、代码审查、报告、战略文档、销售邮件。洞察是：生成内容的模型，并不是判断自己输出质量的最佳裁判。一个独立的批判者，每次都能发现生成器漏掉的东西。 2. 评分并重试循环生成。评分。低于阈值就重试。简单。强大。被低估。 score = evaluate(output) 最适合质量可测的场景：抽取准确率、格式合规性、事实正确性、线索评分。生成器不知道自己正在被打分。评估器知道。这种分离就是模式本身。 3. 多批判者循环一个批判者会有盲区。用四个。 → 正确性批判者：事实准确吗？ → 风格批判者：清晰、写得好吗？ → 安全批判者：合适且安全吗？ → 领域批判者：符合专家标准吗？每个批判者独立评估。最终输出必须同时满足四个批判者，才能离开系统。用于：医疗 AI、法律文档审查、金融分析、受监管内容。 4. 对抗式批判循环批判者唯一的工作，就是推翻答案。不是改进它，而是推翻它。对抗式批判者会问： → 这里哪些假设会失效？ → 缺少哪些证据？ → 怀疑者会怎么说？ → 哪些地方是自信但错误的？然后生成器进行防守或重写。最好的答案，经得住推翻。用于：研究综合、投资论点审查、战略规划、风险分析。 5. 评审集成循环一个评审器给出的分数噪声很大。五个评审器可以抵消噪声。让同一份输出通过多个评估器。聚合分数。只有高共识输出才能进入下一步。适用场景：单模型评估不可靠、风险很高、边界情况很重要。类别 2：记忆循环（从已经发生的事情中学习，让下一次更聪明） 6. Reflexion 循环现存最重要的自我改进模式。智能体失败。智能体分析失败原因。智能体存储教训。智能体带着这条教训重试。每次迭代都比上一次更聪明。这就是“会失败一次的系统”和“只会因同一个问题失败一次的系统”之间的区别。 7. 记忆更新循环每个任务结束后，存三件事： → 做出了什么决策→ 结果是什么→ 下次会做什么不同的事未来运行会继承这些知识。第 6 个月的系统，已经不是第 1 个月的系统。它读过自己 6 个月的历史。 8. 错误库循环存下每一次失败。错误答案。糟糕的输出。执行失败。边界情况。在处理新任务之前：先搜索错误库。如果存在类似失败 → 在开始之前就应用已知修复方案。系统不再重复犯同一个错误。这是生产级 AI 中最被低估的模式。 9. 成功模式循环大多数工程师只存失败。也要存成功。当任务完成得很好时： → 保存方法→ 保存上下文→ 保存它为什么有效遇到类似任务时，检索成功模式。从胜利中学习。不只从错误中学习。 10. 记忆压缩循环记忆会无限增长。无限记忆就是不可用的记忆。当累计了 N 条内容之后：压缩它们。大量具体记忆 → 更少、更高层的抽象。上下文保持可管理。模式保持可访问。系统保持快速。类别 3：规划循环（当现实发生变化时调整计划） 11. 计划 → 执行 → 重规划 AI 智能体设计中最常见的错误：把计划当成固定不变的东西。计划一遇到现实就会破。模式是：创建计划 → 执行一步 → 观察结果 → 更新计划 → 继续不是瀑布。是螺旋。每绕一圈，方法都会更紧。适用场景：环境会变化、任务之间有依赖、目标周期很长。 12. 动态工作流循环大多数流水线是固定的。步骤 1 → 步骤 2 → 步骤 3。永远如此。动态工作流会根据结果变化。如果输出 A → 运行分支 X如果输出 B → 运行分支 Y如果输出 C → 跳到步骤 5 流水线在运行时决定自己的形状。用于：多文档研究、客服路由、自适应内容流水线。 13. 目标分解循环大目标进入系统。系统把它拆成子目标。每个子目标再拆成任务。每个任务再拆成步骤。一直分解，直到每个单元都小到可以通过一次调用执行。