国产成人a级片_色婷婷亚洲精品_91国产视频在线观看_欧美精品一二三四

用 AI coding，最絕望的事情是什么？

如果只給世超一票，我會投給，停在一半。

干了半小時，項目剛起好框架，它停在一半。

(資料圖片)

彈出十個細節 bug，修了三個，它停在一半。

程序動了上百行，測試沒跑完，它停在一半。

而面對這些半成品，無能的人類，卻連下一句 prompt 都憋不出來，只會擱那 “ 繼續繼續，你改了啥，回滾回滾，讓我們說中文。”

那么問題來了，到底有沒有什么辦法，能把人類徹底清出 AI 的工作流，讓它自己從頭干到尾，別再難為還不如豆包聰明的我了？

有的兄弟，有的。最近，小龍蝦的創始人 Peter Steinberger 提出了一個新概念，叫 loop engineering。

 這玩意兒簡單來說，就是人提前給 AI 寫一份無腦執行說明書，之后啥也不用管，AI 自己來循環工作。

只不過這份說明書動輒幾十頁 pdf，里面包含了 AI 實操的各種細節要求，堪稱 prompt engineering 的 plus ultra pro max 版。

從寫代碼，到測試，查 bug，修復，再測試，再修復。。?？傊裁磿r候結束條件達成了，比如 “ 所有測試通過，benchmark 提升 xx%，循環 20 回合 ”，AI 才能停止工作。

然而，作為又一橫空出世的 AI 黑話，世超看到，大部分人其實對 loop engineering 是持懷疑態度的。

有人覺得它看似簡單，實際操作難如登天；有人擔心燃燒的 token，試錯一次原地破產；還有人說這不過是新瓶裝舊酒，這些概念以前軟件開發早有了。

 但光這么說大伙兒可能覺得還是太抽象。所以，世超干脆搭了一個簡單的 loop engineering 項目，給各位差友看看實驗過程，也順便驗證一下這到底是新玩法，還是真炒作。

全流程體驗下來，世超感覺，全自動化解放人類雙手的想法是好的，但真用起來，沒那么輕松流暢。

咱們這回實驗的目標，是通過 loop engineering，讓 AI 用盡各種方法，調教 stable diffusion v1.5 模型的輸出，讓它的圖片生成更穩定，更好看。

各位差友可能對 stable diffusion 有點印象，但不多。作為圖片生成模型的元老級存在，它早期的效果放現在 GPT、midjourney 的面前，可以說是完全依托，差到有點詭異嚇人。

可正是這種又差又不穩定的表現，才讓它有很大的優化空間。

即使不動基礎模型，只是通過提示詞修改，模型參數修改（推理步數，scheduler，seed 等），局部重畫等等各種手段，stable diffusion 都有可能抽出更好看的圖片。

像是下面這個例子，潤一潤提示詞，效果完全不一樣。

這要是用上 loop engineering，自動化嘗試更多的方法和案例，豈不是更加未來可期？

為了讓 AI 好好干活，工具方面，世超精挑細選了開源編程 Agent OpenCode，接上 DeepSeek V4 Pro，讓它們來修改代碼。

測試部分，我們引入第三方模型，讓 Qwen 3.5 Plus 來評價最終生成的圖片質量，保證公平。

接下來開搓 AI 說明書，幾十頁的文檔，和 GPT 老師三輪對話，也是手到擒來。

整個過程簡單來說，就是 DeepSeek 改模型，生圖 -> Qwen 銳評 -> DeepSeek 根據評語繼續改模型，繼續調。

一切準備就緒，世超親自從頭到尾過了一遍，自我感覺十分良好，放心地按下了啟動鍵。

然而，現實卻沒想象的那么順利。。。

給大伙兒看看最終實驗結果之一，同樣的提示詞下，感覺 loop 后還遠不如 loop 前。

在反復調整實驗的過程中，世超發現，loop engineering 的坑確實不少。

首先，寫一份合理的說明書，真的很難。

人能處理的信息帶寬有限，幾十頁的說明書文檔，有時候調優手段設置不合理，有時候 loop 終止條件沒想到。

可任何一個細節沒處理好，都可能導致大量時間和 token 的浪費。loop 半天一查報告，欸嘿，開始就錯了。

而即使你反復優化說明書，修改實驗，折騰一通下來，可能只是浪費了錢和時間。

世超*次實驗跑了一小時，第二次實驗跑了五個小時，結果都很一般，沒有達到預期的優化圖片效果。

其次，沒有中途調整機會的 loop engineering，很容易越走越偏。

傳統的人機 prompt 回合制雖然煩，至少人還能一輪一輪盯著看。圖崩了，可能是某個參數沒調好，手崩了，就改改 prompt，主打一個對癥下藥。

雖然寫代碼人類已經不行了，但拼經驗，AI 還是不如人。

可 loop engineering 不一樣，它的核心就是提前把規則寫死，然后讓 AI 在規則里自己循環。

所以，一旦中間哪里出了岔子，比如評價模型不大聰明，把 “ 畫面不夠精致 ” 當成主要問題，DeepSeek 就可能一輪輪加柔光，加細節，加色彩，最后反而人物失真，人類沒有任何插手糾錯的機會。

最后，并不是所有類型的項目都適合 loop engineering。

舉個最簡單的例子，如果在上面的實驗中，我們每次生成一張圖片要耗時半小時，用 loop 來迭代拼運氣，很顯然是不劃算的。

所以一般來說，loop engineering 只適合那些，測試目標明確，迭代驗證迅速，錯誤代價低，上下文不太復雜的任務，非常局限。

但你要說，這么多大佬都在吹的 loop engineering，難道就沒有什么優點嗎？

我只能說，按下啟動鍵的那一刻真的很爽。

帶著一種盲目的信任，把所有壓力拋給 AI，不用盯著干活，不用動腦子，坐等結果和報告，這*是每一個開發者的夢想。

但這玩意兒實在太不可控，如果你有無限 token，無限算力，可以同時開一堆爐子賽博煉丹，那也許有機會短時間煉出一個好結果。

可對于普通人來說，世超建議，還是不要輕易踏進這個 token 的火葬場了。

關鍵詞： AI