你有没有这样的体验？
做一件事，努力了半天，感觉已经做得不错了——但就是停在那个"还行"的位置，再也上不去。
写文案，改了七八遍，感觉比最初好了很多，但读起来总差点意思。
做产品页面，自己看着挺满意，但转化率就是提不上来。
学一项技能，入门之后就进入了平台期，不知道下一步该往哪走。
我把这个状态叫做"60 分陷阱"——你付出了大量努力，却只能停在及格线附近。
最近我找到了一把可能突破这个陷阱的钥匙。它叫 Karpathy Loop。
一、那个让 AI 越来越强的秘密
Andrej Karpathy，前 Tesla AI 负责人，OpenAI 联合创始人。他提出了一个看似简单、却无比深刻的迭代框架：
假设 → 实施 → 打分 → 保留或回滚 → 下一轮
具体来说：
- 1. 先提出一个改进假设，然后去实施
- 2. 对实际结果打分，量化好坏
- 3. 如果比之前更好，就保留；如果更差，就回滚
- 4. 进入下一轮循环
听起来很平常？这不就是我们平时试错的过程吗？
对。但有一个关键区别：这个循环，可以由 AI 自动运行。
人工迭代，一天能跑几轮？
| 人工改稿 | AI 自动迭代 | |
|---|---|---|
| 速度 | 一天 5 轮 | 一小时 50 轮 |
| 是否会妥协 | "改了这么多遍了，就这样吧" | 只认分数，不知疲倦 |
| 方向是否可追溯 | 凭感觉，难复盘 | 每轮记录，失败自动回滚 |
速度是人工的 10 倍以上，而且它不会累，不会妥协，不会因为"差不多了"就停下来。
这就是它的核心魔力：把人类最难坚持的事情——持续迭代、永不放弃——变成了机器的本能。
人工改稿拼的是耐力，AI 迭代拼的是标准。有了标准，耐力不再是瓶颈。
二、光说不练假把式
理解一个概念最好的方式，是亲手用它解决一个真实问题。
我选的例子是：亚马逊 Listing 优化。具体说，是产品标题（Title）和五点描述（Bullets）。
这是个典型的"60 分陷阱"场景：
- • 随便写，可能只有 30 分
- • 认真优化一遍，也许到了 60 分
- • 但从 60 分到 90 分，靠人工一遍遍改，极其耗时，而且你根本不知道自己改的方向对不对
那，怎么做？
三、第一步：建标准——没有标准，优化是瞎忙
想优化，先得有标准。没有标准的优化，叫瞎改。
亚马逊 Listing 优化涉及大量行业知识：Amazon 官方合规规则、SEO 关键词策略、移动端展示逻辑、买家心理、竞品分析……这些知识分散在无数文章、指南、研究报告里。
我用的工具是 Notebook LM。
把所有权威资料——Amazon 官方文档、顶级卖家指南、SEO 研究报告——全部导入 Notebook LM，构建成这个领域的专属知识库。
知识库建好之后，我用 Claude Code 生成了一系列专业问题，然后让它去连接 Notebook LM 逐一提问。问题涵盖：
- • 亚马逊标题有哪些硬性合规规则？
- • 移动端截断后，前 80 个字符应该包含什么信息？
- • 五点描述如何通过"那又怎样？"测试，把功能转化为利益？
- • 关键词应该如何在标题和五点之间分配，避免重复浪费？
通过这些问题的答案，我从知识库里蒸馏出了一套量化评分标准——不再是"感觉还不错"，而是每个维度 0-20 分，总分 100 分，每个分数点都有明确依据。
这一步是整个方法论的基础。没有量化标准，Karpathy Loop 就无法运行。 你没办法迭代一个你无法衡量的东西。
四、第二步：封装 Auto Research Skill
有了评分标准，下一步是把它封装成一个可以自动运行的工具。
我在 Claude Code 里构建了一个 Auto Research Skill，它的运行逻辑很简单：
输入原始五点描述
↓
Haiku 打分（快速、便宜）
↓
找出最弱的维度
↓
Sonnet 针对性改进（质量优先）
↓
重新打分
↓
比原来好？→ ✅ 保留
比原来差？→ ↩️ 回滚，记录失败思路
↓
进入下一轮
注意这里有一个设计细节：用两个不同的模型扮演不同角色。
- • Haiku（轻量快速模型）负责打分——这是高频操作，要快、要省
- • Sonnet（强力模型）负责改进——这是高质量操作，要准、要深
这个分工让整个系统既高效又不浪费。每一轮迭代，只改动一条最需要改进的描述，其余保持不变，确保优化方向清晰可追溯。
五、第三步：开始迭代，然后去喝茶
工具准备好之后，剩下的事情就是：输入原始内容，然后坐下来等。
我用一个真实的亚马逊产品来演示。
第一轮优化（2 次迭代）：
初始输入进去，两轮迭代之后——
分数从 54 分 → 84 分。
30 分的提升，花了多长时间？不到 5 分钟。
放在以前，这需要一个文案高手盯着屏幕改上大半天，而且还不一定能改出 30 分的提升，因为他根本不知道自己改的方向是否正确。
第二轮优化（12 次迭代）：
84 分不够。让 Skill 继续跑，这次我设置了 12 轮迭代。
然后我去泡了杯茶。
回来的时候，屏幕上已经显示了 12 轮迭代的完整记录：哪一轮提升了，提升了几分，改了哪一条；哪一轮更差，回滚了，为什么失败。
最终结果：98 分。
从 54 分到 98 分。
六、这件事真正让我兴奋的地方
结果固然好，但更让我兴奋的是这套方法背后的通用性。
我们把它拆开来看：
- 1. 用 Notebook LM 构建领域知识库 → 把分散的行业智慧系统化
- 2. 用 Claude Code 提炼量化评分标准 → 把模糊的"好坏感觉"变成可计算的数字
- 3. 封装 Auto Research Skill，让 AI 自动迭代 → 把人工试错的过程自动化、提速百倍
这三步，可以套用在几乎所有需要"从 60 分到 100 分"的场景：
- • 写作和文案优化
- • 产品描述和营销材料
- • 代码质量和架构设计
- • 简历和求职信
- • 演讲稿和提案
- • ……
只要一件事可以被量化评分，Karpathy Loop 就可以介入，然后让 AI 替你不停地迭代。
这是 AI 时代一个根本性的变化：迭代的速度，第一次不再是人类能力的瓶颈。
以前，"精益求精"是少数人的特权——他们要么天赋异禀，要么有足够的时间和资源一遍遍打磨。现在，这个能力第一次向所有人开放了。
七、最后
整个过程复盘一下：
- 1. 用 Notebook LM 把行业里最权威的知识整合进一个知识库
- 2. 用 Claude Code 向知识库提问，蒸馏出量化评分标准和优化策略，封装成 Auto Research Skill
- 3. 把你的原始输入喂给这个 Skill，让它开始迭代
- 4. 去喝杯茶，等结果
这不是魔法，是工程。是把"人类最难坚持的事情——持续迭代"，交给机器来完成的工程。
我相信，在 AI 时代，真正拉开人与人之间差距的，不是谁懂更多知识，而是谁找到了让 AI 替自己不断迭代的方法。
这就是那把从 60 分走向 100 分的钥匙。
它现在就在你手里。
想直接用？
我已经把亚马逊标题和五点描述的 Auto Research Skill 开源在 GitHub：
👉 github.com/hongxing121/lhx-skills
包含两个 Skill：
- •
/lhx-amazon-title— 标题自动迭代优化 - •
/lhx-amazon-bullets— 五点描述自动迭代优化
⚠️ 使用前提：需要先安装 Claude Code。没有 Claude Code 的话，这两个 Skill 无法运行。
