# AI 工作流的第四層：從使用 AI，到設計會自己轉的迴圈

大家一邊玩 Fable 5、一邊等 GPT-5.6 時，更該檢查自己的 AI 工作系統。這篇用四層階梯拆解：Prompt、Context、Harness、Loop，並附一段可以直接貼給 AI 的健檢提示。

最近大家一邊玩 Fable 5，一邊等 GPT-5.6。這種時候，很容易把注意力全放在「下一個模型到底多強」。

但昨天我在講「把 Fable 5 的工作打包好，明天交給 GPT-5.6 接手」時，真正想提醒的其實是另一件事：AI 要用得好，不是只靠模型本身。

模型會變強，但你的資料、規則、工具、驗收方式如果沒有跟上，最後還是會回到同一個畫面：你一直對 AI 說「幫我看看這段對不對。」「再改一版。」「這邊還漏了。」

如果你一天要對 AI 重複講好幾次類似的話，這通常不是你不會下提示詞，而是這件事已經開始露出另一個問題：你還在每一輪都親自盯著它跑。

後來我才慢慢把這件事看成四層階梯：Prompt、Context、Harness、Loop。前三層處理的是「這一次怎麼讓 AI 做好」。第四層處理的是「這件事能不能自己一輪一輪跑，跑到達標才回來找我」。

### 第一層：Prompt

第一層是大家最熟的提示詞。你把需求講清楚，AI 回你一次。

這層很重要，但它只能處理單次對話。你問得越清楚，它越可能回到你要的方向；你問得含糊，它就用自己的方式猜。

適合停在這一層的工作通常很偶發，例如改一封信、整理一段文字、把一份會議記錄變成三個行動項。你不需要為了這種事做系統，問好一次就夠。

### 第二層：Context

第二層是先給它看什麼。

很多時候，AI 做不好不是因為它不聰明，而是桌上擺錯東西。你沒有給它看過去的範例、品牌規則、客戶背景、限制條件，它只能用通用答案補空白。

這也是為什麼同一句任務，放在空白對話框裡是一種結果，放在有檔案、有範例、有規則的專案頁裡，是另一種結果。

### 第三層：Harness

第三層是幫它把工作桌擺好。

到這一層，AI 不只是看你給的文字，而是開始碰到工具、檔案、權限、資料來源。它可能要讀資料夾、查文件、修改草稿、跑檢查、整理輸出。

這層的關鍵不只是「給更多資料」，而是讓它真的做得到。資料在哪裡、能不能改、哪些地方只能讀、做完要留下什麼證據，這些都會影響它能不能穩定完成工作。

### 第四層：Loop

第四層是最近最容易被低估的一層：讓 AI 自己一輪一輪跑。

Anthropic 的 Claude Blog 已經有一篇直接叫〈Getting started with loops〉，Engineering 也有幾篇在講同一個方向：〈Building Effective AI Agents〉把 workflows / agents 的分工講清楚；〈How we built our multi-agent research system〉把多代理研究系統的取捨攤開；〈Writing effective tools for AI agents〉則把「工具怎麼寫，agent 才真的用得起來」講得很細。這些不是行銷口號，而是產品現場已經在處理的題目。

但這不是只有工程師才需要懂。越不是工程師，越要知道 Loop 的邊界，因為它會影響三件很實際的事：AI 什麼時候可以自己做、什麼時候必須停、什麼時候要回來找人判斷。

這篇的 `Loop`，就是把這些討論翻成一般工作者也能用的交辦判斷。

### Loop 有哪幾種

我會先把 Loop 粗分成四種，因為每一種適合交出去的工作不一樣。

第一種是 `Turn loop`：每一輪做完都自我檢查，再修一輪。比如一篇社群貼文先寫初稿，再照「有沒有具體例子、開頭是不是讀者場景、收尾有沒有空」自修三輪。這種適合用在文字、簡報、提案摘要，因為它每一輪都有可檢查的品質標準。

第二種是 `Goal loop`：不是跑固定次數，而是跑到達標為止。比如從 50 筆潛在客戶裡找出 20 筆合格名單，每一筆都要有公司名稱、痛點、可切入理由和來源。這種適合名單整理、資料清洗、選題篩選，前提是你要說清楚什麼叫合格。

第三種是 `Time loop`：固定時間重跑。比如每天 09:00 整理昨天的網站流量、留言、下載數，每週一整理上週內容表現。這種最適合例行摘要、週報、檢查清單，因為它的啟動條件很單純。

第四種是 `Event loop`：有事件才觸發。比如有新留言就先分類，有人填表就補公司背景，有新檔案進資料夾就先整理成摘要。這種適合客服、lead 處理、知識庫整理，因為它不是照時間跑，而是照事件跑。

白話一點說，你開始交出去的不只是「做這件事」，而是「怎樣開始、怎樣檢查、什麼時候停、失敗時怎麼回來找我」。

這也是它和多叫 AI 幾次最大的差別。多叫幾次時，每一輪都還是你在按。迴圈成立時，你已經把某個判斷或某段重複流程交出去，讓它自己跑到標準附近。

### 為什麼它要單獨當一層

因為跑對一次，跟連續跑三週都不出包，是兩件事。

我自己就踩過這個坑。以前做過一個想讓系統自動變聰明的迴圈，前後跑了快一千次，幾乎沒有一次真的改對東西。它看起來很努力，紀錄也一直更新，但最後沒有產出，整個迴圈只能關掉。

這種問題在前三層不會完整浮現。提示詞寫得好，不代表它長期不會鬼打牆；脈絡給得夠，不代表它不會越跑越偏；工具開得足，不代表它不會悄悄燒掉預算。

只要一件事開始自己重跑，新的風險就出來了：它可能反覆卡在同一步，可能慢慢偏離原本目標，也可能在你沒注意時一直消耗資源。

### 交出去前，先問四題

我現在比較少問「能不能自動化」，而是先問四題。

第一題：寫得出驗證嗎？你能不能說清楚怎樣算對。像每天整理客服留言，能列出三欄、不能漏、遇到退款就進人工處理，這就有機會交出去。反過來，如果只是叫 AI 判斷貼文好不好，卻講不清楚好是什麼，就先別交。

第二題：目標夠清楚嗎？你能不能說出到哪裡算完成。

不夠清楚的 Goal 長這樣：「幫我把內容策略變好」「幫我找一些可能客戶」「幫我整理一下資料」。這些話太大，AI 會一直猜。

比較好的 Goal 長這樣：「從 10 則靈感裡選 3 個可寫選題，每題都要有受眾痛點、來源連結、可複製動作、留言誘因」「從 50 筆公司名單裡挑 20 筆，且每筆都要有產業、近期事件、可能痛點、第一句開場」。你看得出差別嗎？好的 Goal 不是比較華麗，而是比較能被驗收。

第三題：照時間來嗎？如果這件事本來就固定週期重跑，例如每天早上的摘要、每週的資料檢查、每月的內容回顧，就很適合變小迴圈。

第四題：還要每輪盯嗎？如果每一輪都需要你決定下一步，它只是把人工操作切碎，不是真的迴圈。比較好的起點，是 AI 先照檢查表自修幾輪，三輪後仍不合格才丟回來。

### 先交一塊出去

你不用一次把所有工作都交出去。那通常只會變成一個看起來很自動、實際上很難信任的大黑箱。

比較好的起點，是挑一件你每天都在重複、又很清楚怎樣算對的事。先讓它變成一個小迴圈：固定拿資料、固定輸出、固定檢查，出錯時停下來問你。

這樣做的好處是，你不會一下子失去控制，也不會只是把提示詞寫得更長。你開始練的，是把工作拆成「開始條件、驗證方式、停止點、回報格式」。

### 可以直接拿走的清單

我把這篇整理成一份「AI 迴圈四層階梯 + 交出去前四問清單」，裡面有每一題的「該交出去 / 先別交」例子，也有一段可以直接貼給 AI 的起手式。

如果你現在手上有一件每天都在重複、但又不太敢全自動化的事，先不要急著叫 AI 幫你做完整系統。先把那件事拿去問四題。

很多時候，你要補的不是更厲害的模型，而是更清楚的停止點。

### 先叫 Fable 5 幫你健檢一次

如果你現在還有 Fable 5 額度，或等 GPT-5.6 開了想拿同一題去測，可以先不要問「哪個模型比較強」。

把你現在常用的一段工作流貼進去，直接問：

```markdown
請用 Prompt / Context / Harness / Loop 四層，檢查我現在的 AI 工作流。

請逐層列出：
1. 我已經做對的事
2. 缺的證據或缺的設定
3. 最小可補的一步

最後請用紅 / 黃 / 綠標示每一層，並告訴我哪一層最值得先補。

請先不要幫我重寫整套系統。
先判斷這件事適不適合變成一個小迴圈。
如果不適合，請指出是卡在目標、資料、工具、驗證，還是停止點。
```

這樣測模型，比叫它寫一篇漂亮長文更有用。因為你測到的不只是回答能力，而是它能不能看懂你的工作系統。

### 參考來源

- Claude Blog: [Getting started with loops](https://claude.com/blog/getting-started-with-loops)
- Anthropic Engineering: [Building Effective AI Agents](https://www.anthropic.com/engineering/building-effective-agents)
- Anthropic Engineering: [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system)
- Anthropic Engineering: [Writing effective tools for AI agents—using AI agents](https://www.anthropic.com/engineering/writing-tools-for-agents)

---

來源：AI 主理人 https://be-ai-curator.com/blog/ai-loops-four-layers · 更新於 2026-07-09