Goal 是目的地，Loop 是导航：AI 真正变聪明的核心秘密

核心特点#

• 具体且可量化
• 包含成功判断标准（可验证）
• 有约束条件（预算、时间、风格等）
• 让 AI 知道什么时候可以停止工作

五个实际 Goal 示例#

1. 帮我规划一个 7 天日本自由行，总预算不超过 15000 元，包括机票、酒店、美食和迪士尼，要有每天详细行程和备用方案。
2. 在不改变原有功能的前提下，把这个 Python 脚本的运行速度提升至少 30%，并保持代码可读性。
3. 根据我目前 65kg、体脂率 22% 的身体数据，制定 12 周减脂增肌计划，每周更新一次，根据我的反馈调整。
4. 用最友善且专业的语气，在 3 轮对话内解决用户”iPhone 无法连接 WiFi”的问题，并确认用户真正满意。
5. 找出过去 30 天内，市值在 500 亿以上、且有明显上涨趋势但估值合理的 3 只 A 股，列出理由和风险。

完整串联生动示例#

Goal： “帮我写一封高质量的升职申请邮件，发给部门总监。要求语气自信且谦虚，突出我过去一年的核心业绩，并让领导觉得我升职后能为团队带来更大价值。最终邮件长度控制在 250-300 字。”

Goal 驱动下的 Loop 实际运行过程（混合多种 Loop）：

1. Plan-Execute 阶段：先规划邮件结构（开头 + 业绩 + 未来价值 + 结尾）→ 逐段撰写初稿。
2. ReAct 阶段：思考哪些业绩最有说服力 → 行动：快速回顾用户提供的聊天记录或数据 → 观察并提取量化数字（如”业绩提升 42%”）。
3. Reflective / Reflexion 阶段：读完初稿后深度反思——语气是否自信但不骄傲？成就是否量化？是否体现团队贡献？长度是否合适？→ 大幅修改（增加数据、软化语气、强化未来价值）。
4. Memory + Adaptive 阶段：参考用户以前的写作偏好（不喜欢过于正式词汇），进行针对性调整。
5. Verify + 最终检查：对比最初 Goal，确认 100% 符合 → 输出最终版本。

整个过程中，Goal 像指挥官，Loop 像执行部队，持续围绕 Goal 迭代、纠偏，直到完美达成。

1. ReAct Loop（思考-行动-观察循环）#

最基础、最常用的经典模式。

流程：Think（思考）→ Act（行动/调用工具）→ Observe（观察结果）→ 再 Think……

适合：信息检索、工具调用、日常多步任务。

例子： Goal = “帮我查最新 iPhone 17 的售价和真实用户评价” Loop 过程：思考 → 先用搜索引擎查找官方价格 → 观察结果 → 发现需要真实评价 → 去小红书和京东查看用户评论 → 观察总结优缺点 → 输出最终答案。

2. ReWOO（先推理后执行循环）#

ReAct 的优化变体。

核心：先完整推理出所有步骤和计划，再一次性批量执行，减少中间观察次数。

适合：需要降低延迟、工具调用成本较高的场景。

例子： Goal = “帮我对比三款热门洗衣机并推荐最适合的” Loop 过程：先完整思考所有对比维度（价格、容量、能耗、品牌、用户痛点）并列出计划 → 一次性批量调用搜索和网页浏览工具 → 收集所有信息后一次性输出详细对比表。

3. Plan-Execute-Verify Loop（规划-执行-验证循环）#

先画蓝图再施工。

流程：整体规划 → 逐条执行 → 验证结果 → 不满意则重新规划或修复。

适合：写报告、项目计划、结构化复杂任务。

例子： Goal = “帮我写一份下季度部门销售OKR” Loop 过程：先整体规划 5 个主要模块和关键指标 → 逐条撰写具体内容 → 执行完成后验证（是否 SMART、可衡量、与公司目标对齐）→ 若有问题则重新规划部分内容。

4. Reflective / Reflexion Loop（反思-自我批评循环）#

会自我挑刺的高级版。

流程：生成结果 → 深度反思（哪里好？哪里差？漏了什么？）→ 根据反思改进 → 可选择重启整个任务。

适合：写作、方案设计、需要高品质输出的场景（Reflexion 强调从失败中系统性学习）。

例子： Goal = “帮我写一封升职申请邮件” Loop 过程：先写一版初稿 → Reflect：语气是否自信但不骄傲？成就数据是否量化？领导最关心什么？→ 根据反思修改（增加具体业绩数据、软化语气）→ 再 Reflect 一次 → 最终定稿。

5. Hierarchical Loop（分层 / 树状循环）#

大脑分层管理。

流程：高层 Loop 负责战略分解和 Review，低层 Loop 负责具体执行细节。

适合：大型复杂项目、长期工程。

扩展：可演变为 Multi-Agent Hierarchical（多个 Agent 协作，一个经理 Agent + 多个执行 Agent）。

例子： Goal = “帮我做一个个人副业从 0 到 1 的完整方案（目标月入 5000 元）” Loop 过程：高层 Loop 分解成”选方向→市场验证→产品搭建→获客→变现”五大阶段 → 每个阶段启动低层 Loop 执行细节 → 高层每完成一个阶段就 Review（回顾评估）并决定是否调整方向。

6. Memory + Adaptive Loop（记忆 + 自适应循环）#

会越来越聪明的版本。

流程：每次循环都记录历史行动、结果和教训，下次决策时参考记忆，动态调整策略。

适合：长期个人助理、健身教练、持续优化类任务。

例子： Goal = “当我的长期健身教练，帮我减脂” Loop 过程：第 1 周推荐跑步计划 → 用户反馈坚持不了 → 记忆记录”讨厌跑步、早起困难” → 第 2 周参考记忆改成晚上 HIIT 训练 → 后续循环持续积累用户偏好和身体反馈，方案越来越精准。

7. Perceive-Reason-Plan-Act-Observe Loop（完整五阶段循环）#

更全面的感知版 ReAct。

流程：感知环境 → 推理分析 → 制定计划 → 执行行动 → 观察反馈。

适合：需要强环境感知的复杂动态任务（如机器人、实时决策）。

例子： Goal = “实时监控我的股票组合并在必要时提醒调整” Loop 过程：感知（获取最新股价和新闻）→ 推理（分析风险和机会）→ 制定计划（是否卖出或加仓）→ 执行行动（生成提醒或建议）→ 观察用户反馈和市场后续变化。

8. Self-Improving / Evolutionary Loop（自我进化循环）#

前沿进化型（进阶版）。

流程：执行任务 → 评估效果 → 自我优化提示词/策略/技能 → 把学到的能力注入下一次循环。

适合：需要长期能力提升的研究型 Agent 或产品。

例子： Goal = “长期帮我提升英语写作能力” Loop 过程：批改一篇作文 → 评估错误类型和弱点 → 自我优化（总结本次最有效的教学方法）→ 把新学到的教学技巧注入下次循环 → 随着时间推移，批改和建议质量越来越高。

实际使用建议#

最强 Agent 通常是多种 Loop 混合：例如 ReAct + Reflective + Memory 的组合，或 Hierarchical + Multi-Agent。

最佳实践#

1. 先给出清晰具体的 Goal，包含成功标准与可验证的完成信号。
2. 明确指示要使用的 Loop 类型或组合，必要时指定每个循环的最大迭代次数。
3. 在过程中持续提供反馈，帮助 Loop 更好地迭代；遇到不确定时，主动要求 AI 提问确认。
4. 对于复杂任务，可以要求 AI 在每个阶段结束时暂设”反思点”，由你来判断是否进入下一阶段。
5. 记得利用对话中的历史偏好（语气、格式、禁忌等），无需每次重复说明。

推荐提示词模板（直接可用）#

1
Goal：【清晰写出目标、成功标准和可验证的完成信号】
2

3
请严格围绕 Goal，按以下流程完成任务，并在必要时根据复杂度灵活裁剪步骤，但始终以达成 Goal 为最高优先级：
4

5
1. **顶层规划 (Plan-Execute-Verify)**：先输出一个分阶段计划，每个阶段有明确的产出物和验证方式。
6
2. **逐步执行 (ReAct)**：执行每个阶段时，使用"思考-行动-观察"循环调用必要工具。简单阶段可直接执行，不必强行套用。
7
3. **阶段反思 (Reflective Loop)**：每完成一个主要阶段后，对比当前产出与 Goal 的差距，提炼可改进的点并决定是否调整后续计划。同一阶段反思**最多 2 轮**，若无明显提升则保留最佳结果继续。
8
4. **偏好记忆 (Memory)**：结合我在本次对话中已明确的偏好（如语气、格式、禁忌）来调整输出。若关键偏好不明确，主动提问确认。
9
5. **最终对齐**：所有阶段完成后，对照成功标准逐条自检。如有偏差，说明原因并直接修正；若无偏差，直接输出最终结果。不追求虚假的"完美"，承认必要的权衡。
10

11
全程保持透明，随时告知当前进度和关键思考。遇到不确定的信息或需要我做决策时，立即暂停并提问。

示例#

“Goal：帮我配一台预算 1000 元的二手游戏笔记本，要求能在中低画质流畅运行《英雄联盟》《CS》等主流网游，必须是国内二手市场容易买到的型号。最终给出 3 个最优推荐，并说明每款的配置、价格区间和优缺点。请使用 ReAct + Reflective Loop，每个阶段反思最多 2 轮。“

Goal + Loop 工作流设计助手提示词模板#

直接复制以下内容，把 【这里写你的任务】 换成你的实际需求，然后发送给 AI 即可。

1
我需要你扮演一个"Goal + Loop 工作流设计师"。你的任务是根据我描述的目标，为我设计一套最优的 Loop 组合执行方案，并输出一个我可以直接使用的完整提示词。
2

3
我会先告诉你我的目标，你需要做到：
4
1. 理解我的目标，帮我提炼出一个清晰、可验证的 Goal（包含成功标准与完成信号）。
5
2. 根据任务的性质，为我选择最合适的 Loop 类型（可从 Plan-Execute-Verify、ReAct、Reflective Loop、Memory 等中选择），并合理编排它们的执行顺序。
6
3. 为反思类循环设定安全边界（如同一阶段最多反思 2 轮），避免无限循环。
7
4. 在最终输出的提示词中，保留"全程保持透明，随时告知进度和思考"以及"遇到不确定时主动提问"的交互原则。
8
5. 输出的完整提示词，必须可以直接复制使用，其中 Goal 部分已根据我的任务填充好，Loop 执行流程也书写清楚。
9

10
我当前的偏好（可选）：【如有语气、格式、禁忌等偏好，写在这里，如没有可删除此句】
11

12
我的任务目标是：
13
【这里写你的任务】

使用示例#

假设你想做”竞品分析”，但不知道怎么组织 AI 的工作流。

你工作流的设计任务内容就是：

1
我需要你扮演一个"Goal + Loop 工作流设计师"。你的任务是根据我描述的目标，为我设计一套最优的 Loop 组合执行方案，并输出一个我可以直接使用的完整提示词。
2
...
3
我当前的偏好：分析结果要客观，引用来源要标注，最终用表格对比。
4
我的任务目标是：帮我分析三个主流新能源汽车品牌（比亚迪、特斯拉、蔚来）在 30 万元价位车型的核心竞争力，从产品力、品牌力、服务体系三个维度对比，并给出我的品牌选择的建议。

AI 收到后，会分析任务特性（信息收集、多维对比、主观建议），然后可能设计出这样的执行计划：

• Goal：……（明确目标、成功标准）
• 使用 Plan-Execute-Verify 划分阶段（资料收集 → 维度分析 → 对比建议）
• 资料收集阶段用 ReAct 搜索必要信息
• 每个维度分析后，用 Reflective Loop 检查是否客观、是否有数据支撑，最多反思 2 轮
• 最终对齐时，对照成功标准逐条检查，并生成对比表格

最后，AI 会直接输出一个封装好的、可直接用于新对话的提示词，你复制走就能开始执行任务，完全不用自己纠结”到底该不该加反思”。

这个模板的用心之处#

• 降低门槛：把”选择 Loop”的决策负担交给 AI，你只需说清目标。
• 强制安全边界：要求设计时就内置最大反思次数，防止后期空转。
• 保留交互感：输出的提示词依然会要求 AI 保持透明、主动提问，不会变成僵化的自动化脚本。
• 偏好前置：你可以提前注入格式、语气等偏好，让设计出来的执行方案直接贴合你的习惯。

有了这个”设计助手”，你的 Goal + Loop 工作流才真正形成了从规划到执行的完整闭环：先用设计助手生成方案，再用修正版执行模板驱动任务。下次当你面对一个复杂目标时，不妨先用这个模板让 AI 帮你”把路铺好”。

进阶之路#

• 从 ReAct 和 Reflective 开始练习
• 逐渐尝试混合多种 Loop
• 在复杂项目中引入 Hierarchical + Memory
• 观察不同 Loop 在不同任务上的表现，不断优化你的提示技巧

现在，去实践吧！给自己设定一个清晰的 Goal，选择合适的 Loop，然后让 AI 执行。你会惊喜地发现，AI 突然变得聪明、靠谱、有条理了许多。