当AI遇上神经科学论文，万字解读的自动化革命正在上演。本文揭秘了一个名为Loop的智能协议系统如何通过五步流程、独立评审机制和客观评价标准，将52篇论文的深度解读工作量从104小时压缩至近乎自动化完成。更关键的是，作者用实战案例揭示了哪些任务适合AI自动化，哪些仍需人类创意的不可替代性——这是每个试图用AI重塑工作流的产品人都必须掌握的边界判断。

我手上有 52 篇神经科学经典论文的 PDF。我想把每一篇变成一篇中文深度解读文章——不是摘要，是万字级别的、带概念工具箱、带数据引用、带独立判断的完整解读，输出为自包含的 HTML 文件。

手动做？第一篇花了我 2 小时，第二篇还是 2 小时。52 篇就是 104 小时，不现实。

让 AI 做？一个 prompt 搞不定。这个任务有五步：读 PDF 全文、规划文章结构、撰写内容、组装 HTML、检查质量。每一步都依赖前一步的结果，而且”检查质量”这件事不能跳过——AI 写的东西质量波动很大，你不检查就不知道它漏了什么。

所以我写了一个协议（Protocol）：告诉 AI 对每篇论文执行这五步，做完一篇检查一篇，不过关就修改，改完再检查，过了就下一篇。

这就是 Loop——不是跑一次祈祷结果好，而是跑完就检查、不行就重来。

Loop 的核心不是”循环”这个动作，而是退出条件：什么情况下算”够好了，可以下一篇”？没有退出条件的循环只是死循环。(当然不是说死循环没有价值，现在死循环有死循环的价值

一个 Loop 长什么样

跑了三个 Loop 之后（两个成功，一个失败），我发现一个能跑起来的 Loop 由五个部分组成：

Protocol是写给”没见过这个项目的 AI”看的操作手册。不是给你自己的备忘录——路径要写绝对路径，工具调用要给示例代码，恢复逻辑要显式写明。判断标准：如果你把这个文件发给一个完全不了解项目背景的朋友，他能不能照着跑起来？

• Skill（Maker）是执行任务的指令模板。在我的例子里是论文解读 Skill，定义了五个阶段的写作流程和 HTML 模板。Skill 的质量直接决定首轮通过率——Skill 写得好，Checker 几乎没事做。
• Checker是独立的评审 Agent，后面会详细讲为什么”独立”这两个字是关键。
• State是一个 JSON 文件，追踪每个 item 的状态。它的作用不只是记录进度，更重要的是让 Loop 可以中断和恢复——任何 AI 读到这个文件，都知道从哪里继续。
• Reference是一个你手工做好的范例。它的约束力比规则强得多：规则说”概念工具箱要用人话解释术语”，范例直接告诉你”人话”长什么样。

这五个部分里，最重要的是 Rubric（评审标准）。

Protocol 怎么写、State 用什么格式、Checker 怎么调用——这些都是工程问题，花点时间就能搞定。但 Rubric 不一样：它决定了”什么算好”。Rubric 清晰，Loop 就顺利；Rubric 模糊，Loop 就是在原地打转。

我的论文解读 Loop 之所以 94% 首轮通过，不是因为 Protocol 写得多细，而是因为 8 条 Rubric 每一条都可以客观判定——”术语有没有中文翻译”不需要主观判断，”HTML 结构是不是 .page > .layout > .main-content”看一眼 DOM 就知道。而我的微世界 Loop 失败，本质上是因为写不出好的 Rubric——”这个预测问题是否能触发认知冲突”无法客观判定。

所以设计 Loop 的第一步不是写 Protocol，而是写 Rubric。如果你能列出 5-10 条可以被一个陌生人（或陌生 AI）客观判定 pass/fail 的标准，这个任务就适合 Loop。如果你列不出来，先别急着搭 Loop——先搞清楚你到底要什么。

接下来的三件事，就是我在围绕 Rubric 搭这个结构时踩过的坑。

第一件事：你的 Checker 可能是假的

设计 Loop 的第一个决定是：谁来检查？

最直觉的做法是让做事的 AI 自己检查自己的输出。很多教程也是这么教的：在 prompt 里加一句”现在忘掉你刚才写的内容，以一个严格评审员的身份重新审查这篇文章”。

我最初就是这么做的。结果发现一个问题：它几乎从不给自己打 fail。

原因很简单——它知道自己的意图。当它看到一个段落写得含糊时，它能”脑补”出自己想说什么，然后判定”虽然写得不够清楚，但意思到了”。它不是在评审一篇陌生的文章，它是在回忆自己几秒钟前的思考过程。

这就像让一个学生批改自己的考卷——他知道自己想写什么，所以总觉得自己写对了。

修复方法：用一个全新的、独立的 AI 实例来做 Checker。在 Claude 里，这意味着用 Agent 工具生成一个子 Agent——它有自己独立的上下文，完全没见过主 Agent 的生成过程。给它的只有两样东西：

1. 生成好的 HTML 文件

2. 八条评审标准（能不能独立理解、数据是否精确、术语是否有中文翻译、HTML 结构是否正确……）

它不知道这篇文章是怎么写出来的，不知道作者”想表达什么”，它只看到成品。这才是真正的评审。

独立上下文不是优化，是正确性要求。告诉同一个 Agent “假装忘记”不等于它真的忘了——上下文还在那里，它的判断必然受污染。这个错误在几乎所有 Loop 教程里都存在，但很少有人点破。

第二件事：Checker 拦住的不是”烂”，是”盲点”

协议写好，跑起来。52 篇论文全部完成后，我回头看数据：

• 49 篇：在第一轮就通过了全部 8 条评审标准（pass 8/8）
• 3 篇：在第一轮被 Checker 打回，第二轮修改后通过

被打回的 3 篇分别是什么问题？

• Bliss & Lømo (1973)，LTP 论文：概念工具箱里漏了 CaMKII（钙调蛋白依赖性激酶 II）的解释
• Warrington & Shallice (1969)，短时记忆论文：漏了 WAIS（韦氏成人智力量表）的中文翻译和全称
• Felleman & Van Essen (1991)，皮层层级论文：漏了 RGC（视网膜神经节细胞）等缩写的解释

三个全是同一类问题：特定专业术语没有解释全。

这说明什么？

第一，Maker（生成器）本身已经够好了。94% 的首轮通过率意味着论文解读的 Skill（指令模板）写得足够详细，AI 不需要反复修改就能产出合格的文章。如果你的 Checker 每次都拦住大量问题，说明你的 Maker 需要重写——不是多跑几轮能解决的。

第二，Checker 的真正价值是抓系统性遗漏。这三次 fail 都不是”文章写得烂”，而是在某个具体知识点上有盲区。这种盲区靠主 Agent 自检是发现不了的——因为它如果知道 CaMKII 需要解释，当初就会写进去。只有一个”不知道作者意图”的独立 Checker，才会客观地发现”这里出现了一个没解释的缩写”。

第三，Checker 的成本是可控的。3/52 = 5.8% 的重审率意味着 Checker 子 Agent 平均每 17 篇才需要多花一轮的 token。这比”不检查直接发布然后人工返工”便宜得多。

第三件事：有些任务不该 Loop 化

同一批 52 篇论文，我还尝试过另一个 Loop：给每篇论文生成一个”交互式微世界”——不是让读者读文章，而是让读者亲自体验论文的论证过程。比如 FFA 论文，做成一个淘汰赛游戏：给你看脸和物体的 fMRI 数据，让你预测结果，逐步排除替代假说。

我设计了完整的协议：5 种交互模式（淘汰赛、双重分离、证据累积、模拟体验、概念构建）、7 条 Checker 标准、详细的 HTML 组件规范。从协议设计的角度看，它比论文解读的 Loop 还完善。

AI 跑出了第一个产出。我看了一眼，直接否掉了整个 Loop。

不是因为产出有 bug，而是因为它不是我想要的东西。交互体验的设计空间太大了——同一篇论文可以做成 100 种完全不同的交互方式，每一种都”符合协议”，但大多数都不是好的学习体验。协议能约束格式（必须有预测点、必须有计分板、必须有自测题），但约束不住创意（什么样的预测问题能真正触发认知冲突？什么样的交互节奏能让人”啊哈”？）。

这就是 Loop 的适用边界：Loop 能工作的前提是，输出空间小到 Checker 能覆盖。

论文解读的输出空间很大，但被 Skill 的 10 个固定章节 + 8 条 Checker 标准压缩到了可管理的范围。代码的输出空间更大，但被测试用例压缩到了”通过/不通过”。而”设计一个学习体验”的输出空间几乎是无限的——你可以检查它是否有预测点，但你无法检查这个预测点是否”问得好”。

如果你的 Checker 只能检查格式不能检查内容质量，那这个任务可能不适合 Loop。先手工做一个满意的范例，确认你能说清楚”好”长什么样，再决定是否 Loop 化。

最后

Loop 不难，难的是知道什么时候该用、什么时候不该用。

52 篇论文解读告诉我：如果任务结构清晰、退出条件可检查、有参考范例，Loop 的效果出奇的好——94% 首轮通过，剩下 6% 也在第二轮解决。总耗时从预估的 104 小时变成了”写协议 2 小时 + 跑完等结果”。

但交互式微世界告诉我：如果任务本质上是创意性的，输出好坏取决于品味而非标准，那再完善的协议也救不了你。这时候正确的做法不是设计更复杂的 Loop，而是承认这个任务需要人来做。

回过头看，Loop 其实不是什么 AI 时代的新发明。写 Protocol 就是写 SOP（标准作业程序），写 Rubric 就是写验收标准，Checker 就是质检，State 就是工单系统——这些东西在制造业和软件工程里存在了几十年。变的只是执行者从人换成了 AI，以及因此带来的一个新问题：怎么让一个没有常识兜底的执行者在无人值守的情况下保持质量。所有关于 Loop 的技巧，归根到底都在回答这一个问题。

知道边界在哪，比知道怎么写 Loop 更重要。