你反复调AI却总差一点，常见原因不是提示词不好，而是判断标准还留在人脑里：什么算一笔消费、边界案例怎么归类、验收算对的标准，这些没变成AI能读到的文档，它只能猜，你只能一遍遍改。把消费的语义定义、分类规则、正反例、常见争议点写成结构化文档，是让循环能转起来的前提；写的过程本身也会逼你把没想清楚的标准想清楚⁠1,2。样本量不足和暂时无法标准化，往往也在这里暴露：哪些是真缺样本，哪些其实是标准没被写出来。

确定性的规则交给程序或脚本，AI处理规则不够用的地方，最终判断留给人。做法是把判断标准写成一个可迭代的skill，持续加入成功和失败案例，并建evals量化precision/recall，看换模型或提示词后是升还是降；人每次审出的结果都回到skill和评测里，成为下一轮材料⁠3。AI不必假装能拍板，它可以对能验证的部分给高置信判断，把不确定的surface出来交给人，人只审最值得看的那部分⁠3。这样循环的每一圈都在校准，而不是重复劳动。

你现在的目标是“自动跑到完成”，但更现实的第一步是闭合一个小的判断—交付—反馈循环：选一批你已有人工结论的流水，让AI按文档跑一遍，你只审它和人工不一致的那几条，看分歧集中在哪类语义上⁠4。如果分歧反复出现在同一类边界，那是文档要补；如果分散，可能是样本或规则本身还没稳定。先做这一件，能帮你判断卡点到底在标准、样本还是流程，而不是继续在codex里追一个还不存在的全自动目标。