你和竞争对手之间，隔着一个范式的距离——从 Prompt 到 Loop，AI 时代创作者的完整认知地图

开篇

我想先做一个实验，请你诚实地回答：

你今天最后一次用 AI 是什么时候？你是怎么用的？

大多数人的答案是这样的：打开 ChatGPT 或 Claude，输入一段描述，等待回答，不满意，修改提问，再等，再修改，最终拿到一个"差强人意"的结果，花两倍时间手动修改，完成任务。

然后明天，打开一个全新的对话框，重新从零开始。

这个场景，不只是你——这是绝大多数人使用 AI 的方式。

但在 2026 年的此刻，有一批人正在另一个维度工作。他们不再每天"问" AI。他们的系统在自动运行，在他们睡觉时处理素材、整理知识、检查一致性、生成草稿。他们花时间做的，不是和 AI 聊天，而是设计让 AI 自动运行的系统。

这两种工作方式之间的差距，不是工具的差距，不是技巧的差距，而是范式的差距。

这篇文章，就是要把这个差距讲清楚。

从起点到终点，从"为什么"到"怎么做"，从认知到路径，一次讲完。

第一章：范式是什么？为什么比工具更重要？

在讨论任何具体工具和技巧之前，我需要先解释一个词：范式。

很多人一听到"范式"就本能地跳过，觉得这是学术词汇，和自己没关系。但我想给你一个更直接的定义：

范式，就是你理解世界的底层操作系统。

它不是你知道的某个事实，而是你思考问题的方式本身。

举一个历史案例。

互联网刚出现的时候，传统媒体也开始"做互联网"。他们建了网站，把报纸内容搬了上去。他们有工具（互联网），但没有范式转换——他们把互联网理解成一个更快的印刷机。

真正赢的，是那些最早理解"超链接改变了信息组织方式"的人。他们理解互联网的本质是连接，不是传播。这个认知差距，导致了完全不同的产品设计、内容策略和商业模式。

AI 的故事正在重演这个规律。

你可以用最好的 AI 工具，但如果你的范式是"AI 是一个更好的搜索引擎"，你就会错过它真正的价值。你可以每天使用 Claude，但如果你的范式是"问问题 → 得答案"，你就永远停留在第一层。

而在 2026 年的 6 月，AI 使用范式正在经历第四次跃迁。

这次跃迁的名字，叫 Loop Engineering（循环工程）。

第二章：四代范式的完整演进史

Loop Engineering 这个概念，诞生于 2026 年 6 月，它的完整演进路径是一个清晰的四步设计哲学：从提示词，到上下文，到 Harness，再到 Loop。

理解这四步，是理解你现在处于哪个阶段、下一步该去哪里的基础。

第一代：提示词工程（2022 年底 — 2024 年初）

核心命题：怎么问，才能得到更好的回答？

这一代的人们相信，AI 的输出质量主要取决于你提问的方式。于是，"提示词工程"成为最热门的技能——如何措辞、用什么格式、加什么例子、构建什么结构。

提示词工程（2022 年末至 2023 年中）把单条指令视为整个程序。

这一阶段的典型行为：背记"万能提示词模板"、买付费提示词合集、研究"角色扮演 + 思维链 + 少样本示例"等各种技巧组合。

本质：这是"写作练习"，不是工程。提示词工程关注的是你说什么，而没有回答"AI 在什么信息环境下工作"这个更基础的问题。

为什么被超越：2026 年的提示词工程最佳实践，看起来与 ChatGPT 最初推出时几乎截然不同。这个领域已经清晰地分裂成两部分：随意提问（任何人都能做——模型在理解意图方面变得更好了）和生产级上下文工程（这是真正的工程技能）。

第二代：上下文工程（2024 年 — 2025 年）

核心命题：AI 在推理时看到什么，比你怎么问更重要。

过去几年，使用大语言模型构建应用程序，已经从提示词工程转向了上下文工程。早期的 AI 应用中，用户花时间精心设计完美的提示词——确切的措辞或问题。虽然提示词仍然重要，但现实中的 AI 系统揭示了一个更大的挑战：为模型提供正确的上下文。上下文工程在 2025 年作为一种更全面的方法脱颖而出，尤其是随着我们构建更复杂的 Agent 和企业应用。 

如果提示词工程回答的是"如何问"，那么上下文工程回答的是："Agent 在行动时，知道什么、看到什么、记得什么？" 提示词是指令，上下文是执行指令的环境：记忆、策略、工具输出、约束、历史步骤，以及每个子 Agent 能看到的可见性边界。

这一转变有一个关键背书。Shopify CEO Tobi Lütke 把上下文工程定义为"为任务提供所有上下文，使其对 LLM 来说是可能解决的——这是一门艺术"，这个定义随后被广泛引用。

本质：从"我说了什么"转向"AI 看到了什么"。从单次指令优化，转向整个信息环境的架构设计。

为什么被超越：上下文工程解决了"喂给 AI 什么"的问题，但仍然是你手动触发每一次对话。每次还是要你坐在那里，等它回答，再决定下一步。

第三代：Harness 工程（2026 年初）

核心命题：给 AI 配什么装备，决定了它能做什么。

"Harness"（驾驭框架）在这里出现。Harness 指的是模型之外环境中的一切——可用的工具、施加的约束、反馈机制和验证门。HashiCorp 联合创始人 Mitchell Hashimoto 在 2026 年 2 月的个人博客中倡导"设计 Harness"，几周内，OpenAI 和 Anthropic 相继发文，巩固了这个术语。

随着 AI 系统在生成和测试变体的"爬坡工作"上变得更强，Harness 成为人类贡献的主要场所。这是因为 Harness 编码了 AI 系统自身没有的东西：人类意图。 

Harness 不是模型，是工程判断力现在所在的地方。

本质：从"AI 在什么信息环境下工作"，进一步延伸到"AI 在什么系统环境下工作"——工具链、约束集、验证机制全部纳入设计范围。

为什么被超越：可以把它理解为三个层次，每个层次解决不同问题——Harness 装备单次 Agent 运行；而 Loop 则是按计划持续触发 Agent、产生辅助者并自我供给的东西。

第四代：Loop 工程（2026 年 6 月）

核心命题：你不再是提示 AI 的人，而是设计提示 AI 的系统的人。

Peter Steinberger 用一句话点燃了这个话题："你不应该再提示 AI Agent 了。你应该设计循环来提示你的 Agent。" 

Addy Osmani 的框架是："Loop 工程就是把你自己作为提示 Agent 的人替换掉。你设计系统来代替你做这件事。这里的 Loop 可以被理解为一个递归目标，你定义一个目的，AI 不断迭代直到完成。" 

Loop 工程是从你逐轮提示 Agent 的模式，转变为你设计一个系统（Loop），该系统发现工作、将任务分配给 Agent（通常是子 Agent）、验证结果、持久化状态，并决定下一步行动——按计划或直到目标达成。

这两句话，值得你读第二遍、第三遍，直到它的含义真正沉进去。

本质：从"你提示 AI"，到"系统提示 AI"。你从演员变成导演，从执行者变成架构师。

四代对比：一张表看清本质

提示词和上下文工程仍然重要；Loop 工程是包裹它们的控制层。

这一点至关重要：前三代没有被废弃，而是被 Loop 工程包裹和吸收了。Loop 运行时，内部依然有提示词、依然有上下文设计、依然有 Harness——只是这些都在系统内部自动发生，不再需要你手动触发每一次。

第三章：上下文工程——让 AI 真正"读懂"你的 IP 世界

在所有四代范式中，上下文工程是最被低估的一个。

大多数人跳过了它，直接想跑到 Loop——结果发现 Loop 根本跑不起来，因为 Loop 需要的"燃料"是高质量的上下文，而上下文来自精心设计的知识库。

所以在谈 Loop 之前，我们需要深入理解上下文工程。

什么是上下文工程？——一个厨师的比喻

想象你是一位米其林主厨。

提示词工程时代：每次烹饪前，顾客递给你一张点单，上面写着他们想要什么菜。你拿到的只有这张纸。

上下文工程时代：在厨房里，你有完整的食材库存（知识库）、菜谱手册（风格指南）、顾客口味档案（受众画像）、过往点餐记录（历史偏好）、以及各种厨房工具的说明（工具定义）。顾客递来点单时，你不只是看这张纸，你是在这个完整的信息环境中做出回应。

同样是"做一道鱼"的指令，第一种情况你可能不知道顾客对海鲜过敏；第二种情况，你早就知道了。

上下文工程是一门设计动态系统的学科，在正确的时间，以正确的格式，提供正确的信息和工具，给 LLM 完成任务所需的一切。与提示词工程（关注写什么指令）不同，上下文工程关注的是模型运行时的整个信息环境：记忆、检索到的文档、工具定义和对话历史。 

有研究者提出把上下文视为 Agent 的操作系统（OS），而不仅仅是输入数据，这个观点得到了许多 LLM 研究者的支持。

上下文工程的五个维度

对 IP 创作者来说，上下文工程管理五个具体的维度：

维度一：系统指令（System Prompt）

这是 AI 的"宪法"——它是谁，在什么框架下工作，遵守什么规则。

对 IP 创作者来说，这就是你的 CLAUDE.md 文件：你的 IP 名称、世界观核心规则、创作风格要求、受众特征，以及 AI 的行为边界。

维度二：外部知识库

你在 Obsidian 里积累的所有知识——世界观设定、人物卡、故事线、受众洞察——这是 AI 的"长期记忆"，通过 RAG 在需要时动态检索。

维度三：工具调用能力

AI 能做什么操作——读写文件、搜索知识库、执行命令。这决定了 AI 能在你的系统里主动行动，而不只是被动回答。

维度四：对话历史

过往交互的记录。但 AI 没有真正的长期记忆，解决方案是把记忆外化到文件系统——让 AI 读取你的笔记，而不是依赖它自身的记忆。

维度五：实时检索

不是预先把所有信息塞进上下文，而是在需要时动态检索最相关的内容。11用一致的标签、链接和元数据来结构化笔记，确保 AI 插件为任何任务检索到正确的上下文，将你的 Vault 变成每次 AI 交互的持久知识库。

提示词 vs 上下文：本质差异

简单来说，提示词工程调整的是查询本身，而上下文工程构建的是让查询变得可回答的知识库和脚手架。 不完全是替代——而是扩展。提示词工程现在被视为上下文工程的一个小部分。你仍然需要好的提示词，但只有当它们周围的完整上下文被正确设计时，它们才能很好地运作。

上下文工程的四种失败模式

为什么你的 AI 输出时好时坏？很可能不是模型的问题，而是上下文设计出了问题。

研究总结了上下文失败的四种模式：

失败一：上下文中毒（Poisoning）

你放入了错误或过时的设定信息。比如你更新了角色背景，但 AI 读到的还是旧版本，输出了设定不一致的内容。

解决方案：结构化的 frontmatter + 版本控制，确保 AI 永远读取最新版本。

失败二：上下文分心（Distraction）

塞入了太多无关内容，AI 的注意力被分散。你问它写一个战斗场景，却把整本世界观手册都塞进去，导致它在各种细节里迷失。

解决方案：语义检索，只拉取当前任务真正相关的内容。

失败三：上下文混淆（Confusion）

信息组织混乱，AI 难以理解优先级。系统提示、人物卡、场景背景全部堆在一起，没有层次结构。

解决方案：标准化的 frontmatter 格式和文件夹结构，让信息有明确层次。

失败四：上下文冲突（Clash）

不同来源的信息互相矛盾。角色 A 在人物卡里是懦弱的，但在某个场景记录里表现得勇敢，AI 不知道哪个是对的。

解决方案：定期运行一致性检查 Loop，自动发现并标记矛盾。

上下文工程的复利效应

根据 2026 年上下文管理状态报告，82% 的 IT 和数据领导者认为单靠提示词工程已不足以支撑大规模 AI 应用。投资也在随之而来：95% 的数据团队计划在 2026 年投入上下文工程培训。

但对创作者来说，上下文工程更重要的价值是复利效应：

你花 10 小时打磨一个提示词，它只服务这一次对话。 你花 10 小时建设上下文系统（知识库结构、CLAUDE.md、Skills），它服务你未来所有的创作——而且会越来越好。

如果你反复运行相同的提示词——如果你在构建任何真实的东西，你确实会这样——那么在一个经过良好测试的提示词上的复合 ROI 是显而易见的。在 10,000 次执行中提升 5%，这不是四舍五入的误差，这才是全部重点。

第四章：知识护城河——为什么你的知识库比 AI 模型更值钱

现在我们到了这篇文章最核心的洞见。

很多人有一种焦虑：AI 模型更新越来越快，我今天学的东西明天会不会就过时了？

这种焦虑，来自一个错误的假设——你以为竞争是在模型层面进行的。

但真正的竞争，在另一个层面。

两个创作者，三年后

创作者甲：每天用 AI，每次打开新对话，重新介绍自己的 IP 世界、风格要求、受众特点。三年过去了，他用过 GPT-4、Claude 3、Claude 4、GPT-5……每换一个工具，从零开始。

创作者乙：三年前开始在 Obsidian 里系统积累——世界观设定、人物弧线、受众反馈、每篇文章的决策逻辑。今天，她的 Vault 里有 2000 多条相互关联的知识条目。她打开系统，AI 读取这些知识，对她的 IP 了解程度超过任何一个编辑。她说"写第七章开头"，AI 知道第六章在哪，知道主角此刻的心理状态，知道这个世界的季节设定，知道她的读者喜欢什么节奏。

问题：如果明天 GPT-6 发布了，谁的优势更大？

创作者甲：把旧工具换成新工具，重新从零开始。

创作者乙：把同样的知识库接入更强的新模型，瞬间获得 10 倍提升。

这就是知识护城河的本质。

为什么知识库比模型更值钱：三个原因

原因一：模型在平权，知识在分化

赢得胜利的 Agent，不会是上下文窗口最大的那个，而是上下文被最精心工程化的那个。

顶级 AI 模型正在快速"平权"——GPT-6 和 Claude 5 之间的基础能力差距，远小于 GPT-3 和 GPT-4 之间的差距。当模型能力趋于平权，差异化的来源就转移了：从"你用什么模型"，到"你给模型什么上下文"。

你的知识库，是你独有的、无法被复制的上下文。

原因二：知识库的复利积累

这就是 Andrej Karpathy 的 llm-wiki gist 值得深入研究的原因。思路简单而有力：与其每次都让 LLM 从原始文件重新发现你的知识，不如让它维护一个持久的 wiki，随着新来源的加入不断改进。 10 这不只是检索，而是综合。Claude 可以把 Vault 中多个领域的想法组合起来，构建出你独自不会想到的方法——因为没有人能天然地同时跨越十个学科思考。但你的知识库可以。

你今天花 1 小时建设知识库，这 1 小时的价值会在未来每次创作中被重复利用。三个月的知识库积累 vs 从零开始的三个月聊天记录——这两者之间，是质的差距。

原因三：知识库的不可复制性

你的竞争对手可以用一样的 Claude，一样的 Obsidian，一样的插件。

但他无法复制：

• 你三年来积累的世界观细节和设定演变逻辑
• 你对受众的深度理解和情感共鸣地图
• 你做过每一个创作决策的背后思考
• 你独特的叙事风格和语言特征

这些，编码在你的知识库里。这才是真正的创作护城河。

第二大脑：被严重误解的概念

"第二大脑"（Second Brain）这个词，很多人听说过，但对它的理解流于表面——以为就是"把东西存进 Obsidian"。

第二大脑的概念一直是关于扩展记忆的。而 Claude 和 Obsidian 一起提供的，是更多的东西：一个不只是记住你想了什么，而是在下一次帮你想得更好的系统。你的笔记不再是墓地，它们开始成为合作者。

真正的第二大脑有三个特征：

特征一：卸载，而非存储

你不需要记住你 IP 世界观的每个细节——系统帮你记住了，而且随时可检索。这释放了你的工作记忆，让你专注于真正需要创造力的部分。

特征二：连接，而非堆积

一条命令，一份 20 页的 PDF 变成 8-15 个相互连接的 wiki 页面，带有适当的 frontmatter、交叉引用和来源追踪。你没有手动创建任何一个文件夹、标签或链接。

笔记不是独立的。每一条新知识，都应该与已有知识产生连接——这些连接本身，是比信息本身更有价值的资产。

特征三：活化，而非沉默

基础很简单：上下文胜过提示词，永远如此。当你的 AI 知道你的文件夹结构、你的项目、你的声音、你的写作规则和你的整个知识库时，它输出的质量会完全改变。这套系统会复利增长：每次会话都让 Claude 更有用、更个性化、更贴合你的思维和工作方式。

知识资产的四个层次

不是所有知识库都一样。理解知识库的层次，才能建设真正有价值的资产：

第一层：信息存储（最弱）

把资料存起来。这是大多数人停留的地方——各种 APP 里的碎片。存起来的东西，如果没有被组织、连接和激活，就是"数字仓库"，而不是"知识资产"。

很多 Obsidian Vault 都是数字墓地——笔记进去了，链接没有建立，六个月后什么都找不到。

第二层：结构化组织（基础）

给信息建立清晰的结构——文件夹层级、标签系统、frontmatter 元数据。这让 AI 能够正确理解你的知识的类型和关系。

第三层：语义网络（核心）

笔记之间形成真正的连接——wikilink 双向链接、交叉引用、矛盾标注。当你接入一个新素材，系统创建实体页面、概念页面，与每一个现有页面交叉引用，自动标记矛盾，并更新索引。

第四层：活性知识（最强）

知识不只是被存储，而是被持续激活——每次查询都扩展知识库，每次创作都回流新知识，系统本身在使用中变得更聪明。

2026 年 2 月，Obsidian 突破 150 万用户，年增长率 22%。在 AI 重塑工作方式的时代，Obsidian 的本地优先、基于 Markdown 的方式，使它成为 AI 驱动第二大脑的理想基础。

IP 创作者的四类核心知识资产

资产一：世界观知识图谱

你的 IP 宇宙的完整知识地图——地理、历史、规则、文化、语言。这是你 IP 的"DNA"。规模越大的 IP，越需要这个系统来保持一致性。

资产二：角色心理档案

不只是角色的外貌和能力，而是深度心理档案——成长历程、创伤记忆、行为模式、语言习惯、价值观边界。有了这个，AI 生成的角色对话才能真正"活"起来。

资产三：受众洞察地图

你的核心读者是谁——他们的生活方式、阅读习惯、情感共鸣点、讨厌什么、期待什么。每次创作决策，都可以基于这个地图。

资产四：决策日志

你每一个重要创作决策的背后逻辑。六个月后你回头看，AI 也能理解你当时的考量，不会给你建议"改变"一个你深思熟虑做出的决定。

本地优先：为什么 Obsidian + Markdown 是最佳选择

Markdown 文件具有可移植性：没有供应商锁定，可以移到任何地方。可组合性：标签、frontmatter、wikilink——全都只是文本，任何工具都能解析。LLM 原生：Claude 原生读写 .md 文件——不需要 API 包装器、不需要插件、不需要导出步骤。 11 本地优先架构意味着你不被任何单一 AI 供应商锁定——你可以使用 Claude、GPT、Gemini，或完全本地的模型。

你的知识，只应该属于你。

第五章：从"提示词工程师"到"系统设计师"——创作者的完整跃迁路径

好了，现在我们有了完整的认知地图。但认知地图不能直接变成行动。我们需要回答一个最实际的问题：

我，一个 IP 创作者，不懂代码，怎么走这条路？

先打破一个误解

"系统设计师"听起来是程序员的事。但这是一个需要打破的误解。

不要让 AI 解决问题，而是构建使用 AI 解决问题的系统。不要写提示词，而是写驱动提示词的循环。

Loop Engineering 的核心是设计思维，不是编程技能。

你需要学的，不是如何写 Python，而是如何思考：

1. 目标定义：这个系统要完成什么？
2. 触发机制：什么时候运行？
3. 信息流动：数据从哪里来，结果去哪里？
4. 验证标准：什么算成功？
5. 失败处理：出错了怎么办？

这五个问题，创作者完全可以回答，不需要写一行代码。

三个层次的 AI 使用者

第一层：AI 工具用户

特征：把 AI 当工具用，需要什么就问什么，得到输出就满足。

效率上限：你花了多少时间手动操作。

在创作领域的表现：用 AI 写文案，AI 帮改标题，AI 生成大纲。每次都要重新说明背景，每次都从零开始。

第二层：AI 环境搭建者

特征：开始系统化地为 AI 配置工作环境——建立知识库，写 CLAUDE.md，配置工具链。

价值：AI 的输出质量显著提升，知识积累有复利效应。

在创作领域的表现：Obsidian Vault 里有系统化的世界观文档，AI 每次都在同一个知识环境里工作。

第三层：AI 系统设计师

特征：设计会自动运行的系统——Loop，不需要你逐轮驱动。

价值：系统在后台持续运行，知识库自我维护，创作质量持续提升。

在创作领域的表现：知识库每小时自动处理新素材，每日自动检查世界观一致性，每周自动生成选题建议。

三个关键的思维转变

转变一：从"我要得到什么输出"到"我要设计什么系统"

旧思维："帮我写一篇关于 XX 的文章。"

新思维："设计一个能自动把我的灵感素材，变成符合我 IP 风格草稿的系统。"

这个转变看起来只是措辞不同，实际上是思考层次的跨越——从单次交互到持续系统。

转变二：从"如何让 AI 更听话"到"如何让系统更可靠"

即使模型在基础层面已经能够自我提示，设计它们被提示的架构——构成整个 Agent Pipeline 框架的系统级指令——仍然是真正有技术含量的工作，远未被自动化。如果你有提示词工程经验，你最强的差异化优势是系统提示架构：高层次的行为约束、角色定义和任务分解逻辑。

转变三：从"使用最好的工具"到"建设最好的上下文"

提示词工程正在迅速从独立职位转变为基础能力。LinkedIn 将其列为 2026 年增长最快的技能之一。

但注意这里的方向：这项工作正在向更深处演进。专业人士现在被期望设计结构化推理系统、管理 AI 工作流，并构建能解决多步骤问题的智能 Agent。市场正在从基础提示转向 AI 上下文工程。

你的上下文是可移植的资产，工具是可替换的。

三个阶段的跃迁计划

Phase 1：地基建设（第 1-2 周）——从第一层跃向第二层

重点：建立知识库基础设施，而不是追求更多工具。

text

核心行动：
✅ 安装 Obsidian 1.12.7+（核心插件：Dataview、Smart Connections、obsidian-git）
✅ 建立完整文件夹结构（_raw / wiki / projects / publish / crm / journal）
✅ 写第一个 CLAUDE.md（从 IP 基本设定开始，先简单后完善）
✅ 安装 kepano/obsidian-skills（Agent 操作 Vault 的"驱动程序"）
✅ 安装 Obsidian Web Clipper（一键抓取网页到 _raw/）
✅ 把现有 IP 设定文档批量导入 wiki/ 文件夹
核心心法：此阶段不追求完美，追求"系统运转起来"。
一个运转的不完美系统，胜过一个完美的计划。

Phase 2：自动化激活（第 3-4 周）——从第二层跃向第三层

重点：把重复性任务变成 Loop，让系统开始自动运行。

text

核心行动：
✅ 识别你每天/每周重复做的 AI 任务（写下来，至少5个）
✅ 为每一个重复任务设计一个 Loop（目标 + 触发 + 验证）
✅ 安装 Claude Code 或 Codex CLI，配置与 Vault 的连接
✅ 设置第一个自动 Loop：每日灵感素材处理（每小时扫描 _raw/）
✅ 设置第二个 Loop：创作日志自动生成（每日晚间）
核心心法：从最高频、最低风险的任务开始自动化。
先自动化整理、分类、摘要等辅助任务，
别一开始就自动化核心创作判断。

Phase 3：系统精进（第 5-8 周）——第三层深化

重点：建立多 Agent 系统和质量评估机制。

text

核心行动：
✅ 启用角色一致性检查 Loop（每日自动检测设定矛盾）
✅ 启用 Wiki 交叉链接优化 Loop（每周自动补充 wikilink）
✅ 引入"制造者-检查者"双 Agent 模式（一个生成，一个验证）
✅ 建立受众 CRM 体系（受众反馈 → 知识库 → 下一轮创作）
✅ 设计 Evals（评估知识质量的具体标准）

CLAUDE.md：你的第一个真实落地工具

问 Claude："读取我的 Vault 结构，为我写一个 CLAUDE.md 文件。"从第一次会话开始，你的 AI 就有了上下文。

这是 IP 创作者版本的 CLAUDE.md 完整模板：

Markdown

# [你的 IP 名称] 创作系统 · 上下文宪法
版本: 1.0 | 最后更新: [日期]
---
## 🌍 宇宙核心设定
### 世界类型与背景
- 世界类型: [奇幻/科幻/现实/混合]
- 时代背景: [具体描述]
- 核心冲突: [世界的根本矛盾]
### 宇宙法则（不可违背）
1. [法则一]
2. [法则二]
3. [法则三]
---
## 🎭 核心角色概览
| 角色 | 身份 | 核心特质 | 详细文件 |
|---|---|---|---|
| [角色A] | [身份] | [2-3个特质] | [[wiki/characters/角色A]] |
| [角色B] | [身份] | [2-3个特质] | [[wiki/characters/角色B]] |
---
## 📁 Vault 导航地图
- `_raw/` → 原始素材（只读，等待处理）
- `wiki/` → 已编译的 IP 百科（权威信息源）
- `projects/` → 进行中的创作项目
- `publish/` → 已发布内容存档
- `crm/` → 受众关系管理
- `journal/` → 创作日志
---
## ✍️ 创作声音指南
### 风格特征
- 叙事视角: [第一/第三/多视角]
- 语言风格: [具体描述]
- 情感基调: [具体描述]
### 绝对禁止
- ❌ [禁止元素1]
- ❌ [禁止元素2]
---
## 🤖 Agent 行为规则
1. 所有新文件必须添加 frontmatter（type/date/status/tags）
2. 引用已存在的内容，使用 wikilink [[]] 格式
3. 发现设定矛盾，写入 log.md，不擅自修改
4. 只修改明确被授权修改的文件
5. 每次操作后更新 index.md

你的第一个 Loop：设计练习

不需要懂代码，现在就设计你的第一个 Loop：

text

【练习】把你每周重复的一件 AI 任务，变成 Loop 设计
原来的工作方式（Chat 模式）：
→ 每周一，打开 Claude，粘贴上周发布的内容，
  问它"分析受众反馈，给我下周选题建议"
Loop 工程方式：
Loop 名称：周选题生成器
触发条件：每周一上午 9:00
执行步骤：
  1. 读取 crm/feedback/（上周受众互动记录）
  2. 读取 publish/（上周发布内容表现）
  3. 读取 wiki/audience/（受众画像知识库）
  4. 生成：下周选题建议 × 5 → 写入 projects/ideas/
  5. 更新 index.md
验证门：ideas/ 文件夹存在新文件
预算：10 分钟 / 次

你现在做的，不再是"问一次"——而是设计了一个永久运行的思维机器。

第六章：AI 时代真正的竞争格局

现在，让我们把所有认知汇聚到一个最终的判断：

在 AI 能力不断提升、工具不断更新的时代，什么是持久的竞争优势？

三种创作者的命运分叉

那些交付 8 倍代码的开发者，不是在写更好的提示词。他们在构建更好的系统。

"唯一不能自动化"的能力

在讨论系统、Loop、自动化之前，有一件事必须说清楚：

在实践中，这份工作已经从聪明的措辞转向系统设计：提示词模板、结构化输出、知识接地、评估、监控、安全控制、成本意识和部署规范。

但有一件事，是 AI 永远无法替代你的：定义什么算好。

• 什么样的角色对话是"活的"？
• 什么样的世界观细节是"有灵魂的"？
• 什么样的内容会让你的核心读者愿意分享？

这些判断标准，来自你与创作、与受众的真实关系。它们不能被写进代码，只能被表达为你对系统的设计选择——你设定的验证门、你配置的风格规则、你保留的人工审核节点。

这才是"系统设计师"与"代码工程师"的根本区别——工程师设计机器，设计师定义标准。

而创作者，天然具备定义标准的能力。

一个关于时间窗口的判断

Loop Engineering 这个概念，诞生于 2026 年 6 月。

这意味着什么？

这意味着你现在读到这篇文章，正处于一个新范式的起点。中文互联网上，关于这个话题的深度创作者实践内容，几乎还是空白。

历史上，每一次范式转变的早期，都有一批人凭借"先进入"获得了不成比例的优势——不只是因为他们会用新工具，而是因为他们成为了这个领域的认知参考点。

他们写的文章、他们建立的框架、他们分享的经验，成为了后来者的起点。

这是你的窗口期。

结语：范式不是升级，是迁移

回到开篇的问题：你还在手动"问" AI 吗？

我不是要你立刻停下来，拒绝手动对话。手动对话仍然有价值，仍然是很多创作任务的最佳方式。

我想让你看到的是一个更大的可能性：

你可以不只是 AI 的用户，你可以成为 AI 系统的设计者。

你积累的 IP 世界观、你对受众的深度理解、你独特的创作判断——这些不会因为 AI 的进步而贬值，恰恰相反，它们会因为被结构化、被激活、被 Loop 放大，而变得比任何时候都更值钱。

提示词工程在 2026 年，正好处于技术流畅度和人类判断力的交汇点。它奖励那些能够清晰思考、精确沟通、并能与 AI 系统合作而不是把它当成魔法的人。

这句话，是对所有创作者的最好描述。

清晰思考，精确沟通，与 AI 合作而不是依赖它——

这不是程序员的技能，这是创作者的技能。

只是现在，这些技能有了一个新的施展舞台：设计让 AI 自动运行的系统。

从一个好的提问开始，到一个精心设计的上下文，到一个能自我运行的 Loop——这条路，每一步都可以走，每一步都值得走。

你现在处于哪一步，并不重要。重要的是，你决定迈出下一步。

📌 文章核心洞见 · 完整速查表

四代范式速览

知识库的四个层次

三层创作者跃迁路径

text

第一层：AI 工具用户
→ 行动：建立 Obsidian Vault + 写 CLAUDE.md
第二层：AI 环境搭建者
→ 行动：配置 Claude Code + MCP + 设计第一个 Loop
第三层：AI 系统设计师
→ 行动：多 Loop 协同 + 多 Agent + Evals 质量评估

AI 永远无法替代你的三件事

text

1. 定义什么是"好的创作"（品味与标准）
2. 理解你的受众（情感连接与直觉判断）
3. 决定 IP 的核心价值取舍（创作者的灵魂选择）

工具技术栈（优先级排序）

系列 B 预告：认知地图已经建立完成。下一个系列，我们进入真实的系统搭建——手把手完成 Obsidian Vault 的完整架构设计、CLAUDE.md 的逐字段创作、kepano/obsidian-skills 的 IP 专属定制，以及你的第一个真实运行的创作 Loop 从零到跑通的全过程。不只是理论，是你可以今天就开始执行的每一步。

如果这篇文章对你有价值，最好的支持方式是分享给一个你认为需要看到它的创作者。

范式转变的认知，总是在小圈子里先流动，然后才扩散到大众。你现在就是那个小圈子的一部分。