夜雨聆风
▸一段Ai交互对话▸
"能不能再细化一下这个函数的错误处理？""好的，已修改。""再优化一下性能？""好的，已优化。""这里的命名规范不太对，能统一一下吗？""好的，已调整。"
这段对话在每一个用AI编程工具的人身上都发生过。它看起来高效——你提出要求，AI立刻执行。但如果你打开月度账单页面，会看到一个完全不同的画面。
每一次"好的，已修改"背后，都是真金白银的token消耗。你以为你在用工具，其实你在为一种叫"Prompt税"的成本付费——每次让AI做事，你都要先描述清楚要做什么、为什么这么做、要避免什么。描述得越精确，AI完成得越好；描述得越模糊，AI就需要更多轮对话来对齐你的意图。
"对齐意图"这件事本身，就是Prompt税的核心。
这种税不会被任何模型升级、任何价格战消除。它的根源不是token价格，而是人机对齐的沟通结构。
6月25日，黄仁勋在巴黎VivaTech大会说了一句话，把这个隐性结构推到了明面上："Prompt正在过时，Loop才是新范式。"
▸三个迹象▸
黄仁勋的话不是孤立的。在同一时间窗口，三个独立迹象指向同一个方向。
1、模型制造者删掉自己的脚手架
Claude Code在7月初的一次系统更新中，删除了80%的系统提示词。Anthropic公开承认：之前那些精心设计的引导词，在实际使用中绝大部分都是冗余的。
这意味着一个专门做AI编程的团队，在用了几千小时的用户数据之后，发现最有价值的不是"如何教AI做事"，而是"如何让AI自己学会做事"。那些花了无数工程师调优的prompt模板，在大模型的真实能力面前，是被自己造出来的脚手架。Anthropic把自己造的脚手架拆了——这是承认一个事实：prompt工程的额外产出越来越小。
2、大型企业开始限制AI使用
Uber给每个工程师的AI使用设置1500美元/月上限。花旗限制部分业务线使用顶级模型。Adobe和Atlassian紧随其后。这些不是小公司——他们是各自行业里最积极的AI使用者。当他们从"用得越多越好"转向"用得越精越好"时，一个新的事实浮出水面：prompt的"自然增长"在企业IT成本中是失控的。
你给一千名工程师每人发一个Cursor订阅，账单不会按线性增长——它会按"工程师开始信任工具、扩大使用场景"的指数曲线增长，使用量开始按指数曲线上升。Uber设置上限，不是因为预算不够，而是因为没有约束的使用量，三个月后会把整个IT预算吃掉。
更深一层：Uber设置上限后，工程师被迫思考"哪些任务真的需要AI，哪些用基础工具就够"。这个思考本身，就是从prompt驱动到loop驱动的第一步。
3、模型的拆解
GPT-5.6定档7月7日发布。最值得关注的是它的新结构：不再是一个统一的超级模型，而是Sol/Terra/Luna三个子模型加上一个"速度拨盘"。
一个任务，先用Luna快速试，不行就升级到Terra，还是不行再上Sol。每一次升级都是一次有意识的选择，而不是"全交给最大的模型"。
这是Loop范式在产品层面的具象化：AI编程从"消费者用产品"变成"架构师调度工具链"。
三个迹象加在一起：一个模型的制造者拆掉自己的脚手架、一个工具的使用者开始限制使用、一个新的模型结构从产品层面重塑"如何用"。三条独立来源，同一个方向。
▸"Prompt税"为什么不可消除▸
要理解这个范式切换为什么重要，先要理解Prompt税的真正成本。
表面看，Prompt税只是token成本。每次你写一段prompt，模型按token数收费。但token成本是浮在水面上的那部分，水面下还有三层隐性成本。
第一层：沟通成本。
每次让AI做事，你都要把"我想要什么"翻译成"AI能理解的语言"。AI不理解你的业务背景、你的代码历史、你的命名偏好、你的架构选择。你描述得越清楚，AI完成得越好。但"描述清楚"本身是一个隐性技能，写得好的prompt和写得差的prompt，完成质量可能差3到5倍。
这个差距不是模型的差距，是表达能力的差距。结果是：同样用GPT-5.5，写prompt好的人产出是写prompt差的人的五倍。AI工具放大了表达能力的马太效应。
第二层：上下文重建成本。
每一次你用prompt让AI完成任务，AI对你的"项目结构、代码风格、业务逻辑"的理解都不保留。下次再合作，从零开始。你要为每一次新的合作重新建立上下文。
这是典型的债务结构——你每次都"借"AI的能力完成一个任务，但借的代价从来不被偿还。任务越多，债务越厚。
第三层：团队重复成本。
当团队开始用AI工具，prompt从个人技能变成团队资产。但prompt是个性化的——同样的任务，你写得好的prompt对你的同事不一定好用。要么每个人重复造自己的轮子（效率损耗），要么建立prompt库（但维护成本高，且容易过时）。
更麻烦的是：AI工具的版本更新很快，一个有效prompt可能在下一次模型更新后失效。团队要在"使用工具"和"维护工具使用手册"之间分配精力——这本应该是工具厂商解决的问题，转嫁到了用户身上。
三层隐性成本叠在一起，Prompt税的实际负担比token账单显示的高一个数量级。Uber 1500美元/月的上限，本质上是在对抗这种隐性失控。
把这三层成本和近期一个数据放在一起看：LLM Token支出指数5月触顶回落20%。表面上是"AI模型调用增速放缓"的信号，但拆开看，结构更复杂——头部用户正在从"prompt驱动"转向"loop驱动"，单位token的产出效率在提升，整体token消耗开始进入一个更可控的阶段。
▸Loop范式：AI开始自己改作业▸
黄仁勋说"Loop才是新范式"时，他指的是什么？
不是"用Loop这个工具替代Prompt这个工具"这么简单。Loop范式的核心是：把AI的使用从"单次对话"变成"持续迭代的系统"。
传统prompt模式：你→AI→结果。一个回合，结束。Loop模式：你→设计一个循环系统→AI在其中自主运行→你只在系统异常时介入。
举一个具体例子。
传统模式：你写prompt让AI把一段英文翻译成中文，发现翻译不准，调整prompt，AI重新翻译，你再检查，再调整。每一轮都是一次完整的"沟通→执行→反馈"循环，token消耗线性增长。
Loop模式：你设计一个翻译循环——
▪ 第一步：AI翻译初稿
▪ 第二步：AI自查翻译质量（用一段验证指令问"这段翻译是否保留了原文的所有关键信息和语气？"）
▪ 第三步：如果自查通过，输出；如果不通过，回到第一步，基于自查反馈重新翻译
▪ 第四步：所有翻译记录进入数据库，下次类似输入时参考
在Loop模式中，你不再写"如何翻译"的prompt，你写"如何让AI自己学会翻译"的工作流。你在系统层面定义规则，AI在系统内自主迭代。每次翻译的成本是一次循环的token消耗，但单位质量的成本远低于传统模式——因为AI在循环中自己发现了问题、自己修复了问题。
这种范式转换，影响的不只是产品，是整个软件产业的职能分层。
对开发者：核心技能从"如何写一句完美的prompt让AI做对一次"，变成"如何设计一个反馈循环让AI在多次尝试中自动收敛到正确答案"。
对企业IT：成本结构从"按token付费的不可预测支出"变成"按工作流付费的可预测支出"。每个Loop有明确的输入、明确的循环次数、明确的退出条件。预算可以按"完成多少个任务"计算，而不是按"消耗多少token"计算。
对软件产业：当AI编程的核心不是"用哪个模型"而是"如何编排模型"，模型之间的差异在缩小（GPT-5.6 Sol/Terra/Luna、Claude Opus/Sonnet/Haiku、GLM-5.2在各项基准上的差距在收窄），而工作流设计会承担起原本由模型层承担的产品化职能。
对算力供应链：上游算力的交付方式变得更精细——按任务分配算力，而不是按prompt分配。Loop范式不是"省token"，是"用更少的算力做更多的事"。
Loop范式和prompt范式的差别，本质上是"我每次要重新教会AI"和"AI在循环里自己学会"的差别。前者把AI当成一个聪明的实习生，每次都要交代背景；后者把AI当成一个会自我训练的系统，只在系统设计阶段投入精力。
▸重量超出了"更好的工具"▸
Loop范式不只是一个工程优化。它和当下几条独立的产业趋势形成共振。
与算力约束的共振。 7月4日，美国PJM电网（覆盖6700万人口）在高温、机组故障、输电过载三重压力下触发二级能源紧急警报。北弗吉尼亚现货电价突破2500美元/MWh，平时这个数字是40美元。AI算力的物理约束开始从芯片产能向电力供应延伸。
Loop范式在这个背景下有了一层新的含义：它不是单纯的"省token"，是"用更少的物理资源做更多的事"——这与整个产业的算力约束方向一致。当硬件层的"算力扩张"开始碰到供给的边界，软件层的"Loop范式"恰好提供解套方案。
与国产AI算力路线的共振。 华为7月4日发布韬定律V2，以"时间常数τ"为核心，强调能效比而非绝对算力。Loop范式在软件层做同样的事——强调单位token的产出效率，而非token消耗的绝对规模。算法和硬件在"效率优先"的方向上汇合。
与开源追赶的共振。 智谱的GLM-5.2在FrontierSWE编程基准上得分74.4，Anthropic Opus 4.8是75.1，相差不到一个百分点，价格差了72%到82%。当模型之间的能力差在缩小，"用哪个模型"不再是问题，"如何让模型在循环中自己学会"才是问题。
这三条共振加在一起，Loop范式不是"AI工具的又一次升级"。它是AI产业从"以模型规模驱动"走向"以工程效率驱动"的成熟化趋势——和黄仁勋在同一天讲的"算力之外还有另一条路"，是同一个判断。
▸临界点的意义▸
Fugu（6月23日，AI编程编排框架）在SWE-Bench Pro上跑到73.7分，超过Claude Opus 4.8和GPT-5.5的那天，我们写过一句话：Fugu没有否定算力，它说的是算力有不止一种用法——可以堆，也可以编，两者不是零和，而是并行。
Prompt到Loop的切换，是同一个判断的代码层版本。
当一个行业把95%的资源押注在一条路上，有人走通了另一条路——哪怕只是初步走通，这件事本身就值得关注。不是因为那条路会取代原来的路。而是因为它证明了一件事：那条被假设为"唯一"的路，不是唯一的。
Fugu证明了算力之外还有编排。Loop证明了prompt之外还有工作流。两者在同一个月内被实证，指向同一个方向：
当一种范式的成本开始超过它的收益，切换不是选项，是必然。
是成熟的体现。
任何技术从爆发走向成熟，都会经历一个从"信仰"到"工程问题"的过程——当稀缺不再是绝对前提，而是一个可以被理解、被优化、被管理的约束条件，这项技术才算真正进入了可规模化的阶段。
