夜雨聆风你有没有这种感觉：每天用 AI 写东西，打字、等回复、觉得不行、删掉重打、再等、再改……一篇稿子搞一下午，中间大部分时间在「等 AI 想清楚」。
这条 X 帖子火了 940 万次浏览，一个做 AI 安全研究的哥们 Anatoli Kopadze 把它总结得很精辟：大多数人每天用 AI，用的其实是最慢的方式。
「手动循环」到底是什么
说白了就是：你输入一段 prompt → 等 AI 输出 → 觉得不够好 → 手动改 prompt → 再等 → 还不对 → 再改 → 循环。
这个循环的问题在哪？每一次「手动改 prompt」都是你在替 AI 做它本可以自己做的事。就像你教一个人做菜，你不告诉他「盐放多了自己调整」，而是每次尝完都冲上去帮他放盐——效率低得可怜。
更隐蔽的问题是：你以为自己在「精细调教」，其实只是在给 AI 的随机输出当人肉滤波器。AI 本身不会从你的修改中学到什么（除非你用 fine-tuning），所以下一次它还是犯同样的错。
Claude、GPT、Mira 各自的循环表现
Kopadze 拿三个系统做了对比，观察它们在「循环生成内容」时的表现差异。
Claude 的特点是：你给它反馈，它能理解意图调整，但如果你只是机械地加限制词（比如「更简洁一点」「加上例子」），它容易陷入「补丁式修改」——改了一处，另一处又不对了。
GPT 系列的问题更典型：它的输出偏「安全」和「模板化」，你越手动干预，越容易让它回到默认的「官方语气」。有时候你改了三次，还不如第一轮的初稿。
Mira 是一个相对新的玩家，主打语音和视频方向的 AI 工具。Kopadze 提到它更多是作为一个参照：不同架构的 AI 在循环中的退化表现不一样，但本质问题相通。
真正的瓶颈不在 AI，在你
说实话，这事儿不能全怪模型。
大部分人的 prompt 本身就是模糊的。你写「帮我写一篇关于 AI 的文章」，然后花半小时去调教——这跟招个人进公司、什么都不说就让他「写个东西」有什么区别？
真正会用 AI 的人，第一步不是「打字」，而是想清楚：我到底要什么？受众是谁？什么语气？多长？有没有具体数据要放进去？
这些信息，你花 5 分钟想清楚比花 50 分钟手动改 prompt 有效得多。
什么才是「自动循环」
Kopadze 说的 faster way 核心思路很简单：让循环自动化，减少人工干预。
具体来说：
- 批量生成
：一次性给 AI 多个角度/选题，让它并行输出，你最后挑最好的，而不是逐篇打磨 - 模板化
：把经过验证的 prompt 结构固定下来，每次微调主题词就行，不用从零开始 - 自我校验
：让 AI 自己检查输出是否符合要求（比如「检查这篇文章有没有包含三个数据点」），而不是你手动挑错 - 链式任务
：把「写稿→加标题→加摘要→调语气」拆成独立步骤，每步自动触发下一步
▲ 图：AI 循环（Loops）的完整架构——从 Prompt 到 Loop 的进化
说白了就是：你负责决策（要不要、好不好），AI 负责执行（写、改、调）。
一个实操建议
下次用 AI 写东西之前，先花 3 分钟写一个「内容需求单」：
目标读者是谁 核心观点（一句话） 必须包含的信息点（3-5 个） 篇幅和语气要求 不能碰的红线
把这个塞给 AI，比你零散地一句句问强得多。然后让 AI 自己生成、自己检查、自己修正——你只看最终结果。
写在最后
AI 工具现在已经是「人人都有」的状态了，但「会用」和「用得好」之间的差距，比模型本身之间的差距还大。
Kopadze 这条帖子能爆 940 万次浏览，说明大多数人都卡在了那个手动循环里而不自知。如果你现在还在一句一句地跟 AI 拉扯，不妨停下来想想：到底是 AI 不行，还是你的使用方式该升级了？
原文链接：https://x.com/AnatoliKopadze/status/2068328135611822149
