以前 AI 会干活，现在 AI 会自我迭代了
88我手上有两个新的海外社媒账号，最近两周一直在用 AI 跑。
找同行爆款让 Claude 分析，总结规律后写新帖发出去，第二天拉数据看哪些跑得好哪些不行，根据结果更新内容 SOP，按新 SOP 继续写。
计划、执行、检查、改进，一天一圈，一圈一圈往上转。
这很像什么？
像 PDCA 改善循环。
其中一个号，早期帖子习惯在结尾放钩子引导互动。
复盘后发现，有钩子的帖子中位浏览只有 174，去掉钩子之后，中位数直接到了 11000。
最高一篇跑到近十万浏览。
那篇是一次“去 AI 味”实验里随手发的，没放钩子也没放链接，第二天复盘才发现流量全是它带来的，当天我就让 Claude 按它一比一复制了几篇。
继续发，发现效果依然很不错。
几十倍的差距，藏在一个之前没有注意到的细节里。
如果用人力，当然也可以发现，但效率可能就没那么快了。
就像很多时候我们都知道复盘的重要性，但是手头的事情一多，复盘就搁置了。
另一个号也有类似的转折。
有一段时间用重复风格每天发五篇，中位浏览从 959 一路掉到 267，每千浏览的点赞数从 10 掉到 3。
复盘后换了做法，调整后一篇帖子跑出一万四的浏览。
同一个号，同样的受众，换了内容策略之后量级完全不同。
这种反馈速度，纯靠人工复盘做不到。
同时因为有了 AI，我还让 Claude 每天复盘的时候增加了一个点，就是拉取昨天帖子的评论区。
比如有人挑出内容里一个细节跟现实对不上，有人直接问“这是不是 AI 账号”。
这些评论我让 Claude 分好类：内容问题写回 SOP；如果暴露出的是产品问题，就让 Claude 直接联系产品开发的那个任务窗口，当天就可以修复。
（Claude Code 可以在不同的任务窗口之间进行通话，这个功能太牛了。）
于是内容创作的 SOP 里多了一条：细节要经得起内行人检查。
以前为什么转不动？
早期模型在编程上走得很远，但内容创作和理解表达差了一截。
你让它写东西，出来一股塑料味。
让它分析评论，抓不住要害。
让它根据数据调策略，也是瞎调。
“写”和“理解”在一个模型里是分裂的。
一个人管两个号还要兼顾产品开发，每天转一圈 PDCA，根本不现实。
今年 6 月，Google 工程师 Addy Osmani 写了一篇文章，带火了 Loop Engineering 这个概念。
核心思路是从“自己写 prompt”变成“设计一个会自动给 AI 发 prompt 的系统”。
当时模型已经会干活了，但迭代的闭环很难成立：AI 的理解力和长任务状态不稳定，人还是得不断介入。
但是，Opus 5.5 来了。
它把“写”和“理解”这两件事拉齐了，既能写有质感的长内容，也能做数据复盘。
Loop Engineering 这个概念，第一次有了落地的可能。
从 Opus 4.6 到 5.5，我最大的体感变化就一句话：
以前 AI 会干活，现在 AI 开始会迭代了。
以前交代一件事它做完就停，现在它能在一个循环里持续理解上下文、分析反馈、给出改进方案。
不过，这个过程不全是顺利的。
另一个号的 SOP 我改过头了。某个元素的占比从太小改成太满，又改回中间，从一个极端走到另一个极端。
我得亲自把方向拉回来。
所以，这不等于你可以完全放手。
不是细节不重要了。盯细节的活，AI 可以自己去发现、去迭代、去优化；但对细节的标准负责、对方向和取舍负责的，还是人。
其实只要一件事有明确的反馈数据，都可以变成这样：
先破破烂烂地启动。
拿到一手的数据，同时对照同行的数据和结果。
分析，复盘，迭代新的方案。
然后测试。
然后继续拿到数据，对照优秀同行的结果。
继续：分析，复盘，迭代新的方案。
