重複使用同一套 ChatGPT 工作流（例如寫作、剪片、生成圖像），最常見的問題是每次都要執手尾：語氣唔一致、遺漏同一類錯誤、產出品質飄忽。The Rundown 介紹的「Loop Method」提供一套結構化的迭代改良框架：以子代理評審小組對工作流進行對抗式檢視，每一輪找出最大弱點、修改流程、再驗證結果，三輪過後工作流品質明顯提升。[1]
建立基線
先揀一個「可行但每次都要執手尾」的工作流——例如語氣不穩定的寫作技能、經常漏剪的剪輯流程、產出參差的圖像流程。先原封不動執行一次，儲存指示與結果作為基線，之後每一輪改進都有對照。[1]
三輪循環：評審 → 修改 → 驗證
將以下模板貼入 ChatGPT（需使用支援子代理委派的 ChatGPT Work 或 Codex）：[1]
「透過恰好3個循環改善 [工作流]。
建立一個子代理小組，對每個循環進行對抗式評審。小組設三個角色：
- 成果／品質評審員
- 工作流與提示詞評審員
- 具相關領域知識的評審員
每個循環：
- 評審當前的工作流與結果
- 找出最大的剩餘失敗點
- 修改提示詞、腳本、檢查清單或流程中最小的部分以修正
- 重新執行相關部分
- 對照「完成定義」檢查結果
每個循環後報告：小組發現了甚麼、改了甚麼、甚麼證據顯示改動有效、仍有甚麼需要處理。保留所有舊版本。第3個循環後停止。」
三個角色可按工作性質調整：剪輯流程可用「編輯、節奏評審、視覺QA評審」；圖像流程可用「藝術總監、提示詞評審、地點評論員」。[1]
先定義「完成」
開始循環前，先明確「完成」的定義，例如圖像流程需要「三張獨立圖像、尺寸一致、風格統一、包含指定地點的辨識細節」。若完成標準模糊，可請 ChatGPT Work 代為提出目標與檢查清單，修改至可從下一次結果判斷成敗為止。[1]
實測案例：地點圖像生成
教學以「地點圖像生成技能」示範：輸入地點名稱生成三張相關插圖。第一輪小組發現「地點細節過於籠統、一致性規則薄弱」；修正後第二輪結果又暴露一條含糊指示，即時修正再入下一輪；三輪後產出明顯更精準——三張圖共享視覺規則、細節到位。[1]
關鍵紀律
- 每輪檢查四件事：小組有否找出具體失敗？ChatGPT 有否修改工作流而非只修補輸出？下次結果有否按同一檢查清單進步？每個版本有否分開儲存以便比較？[1]
- 結果偏離時，先點名含糊之處再跑下一輪——具體修正（例如「三張獨立作品，不是雙聯圖」）讓下一輪有可測試的標準
- 以第二個輸入測試改良後的工作流，確認不是只對第一個例子有效；若失敗，修正工作流再測，不要只修補原輸出
- 將整個流程儲存為可重用的過程改進技能，日後品質漂移時重用，只需更換子代理角色與完成定義[1]
參考資料
[1] The Rundown — Use the Loop Method to Get Better Results From ChatGPT