AI Agent / 系统课时

实现最小 Agent Loop

实现最小 Agent Loop

本篇解决 Agent Runtime 如何持续推进任务的问题。通过实现最小循环,将模型决策、动作执行、结果观察三个阶段连接起来,使 Agent 能够根据当前状态不断选择下一步行动直到完成任务。

学习目标

  • 理解 Agent Loop 的基本执行流程
  • 实现模型决策与工具执行之间的数据传递
  • 掌握循环退出条件的设计方法

Agent Loop 的基本结构

普通程序通常按照固定流程执行,而 Agent Loop 的特点是下一步动作由当前状态和模型决策共同决定。

一个最小循环可以抽象为:读取状态 → 请求模型决策 → 执行动作 → 更新状态 → 判断是否结束。

Agent Loop 执行循环流程图

定义循环执行步骤

循环内部通常包含两个关键判断:模型是否要求调用工具,以及任务是否已经完成。

下面示例使用固定决策函数模拟模型输出,展示 Runtime 的基本结构。

python
from dataclasses import dataclass

@dataclass
class State:
    task: str
    status: str = "running"
    result: str = ""


def decide(state):
    # 实际项目中这里会调用大模型生成下一步动作
    if not state.result:
        return "search"
    return "finish"


def execute(action, state):
    if action == "search":
        state.result = "找到订单信息"
    elif action == "finish":
        state.status = "completed"

state = State(task="查询订单")

while state.status != "completed":
    action = decide(state)
    execute(action, state)

print(state.status)
print(state.result)

预期输出

text
completed
找到订单信息

状态更新与退出条件

一个可靠的 Agent Loop 必须明确结束条件。常见条件包括:

  • 模型返回最终答案
  • 必需工具已经完成执行
  • 达到最大循环次数
  • 出现无法恢复的错误

如果缺少最大循环次数限制,模型可能因为错误判断不断调用工具,造成资源浪费。

处理工具调用边界

Runtime 不应该直接假设工具一定成功。工具执行后需要把结果写回状态,让下一轮模型根据结果重新判断。

例如查询接口失败时,可以记录错误信息:

python
state.error = "订单服务不可用"
state.status = "failed"

预期结果

text
Agent 状态进入 failed,循环停止继续执行

常见实现问题

初版 Agent Loop 经常把模型调用、工具执行和状态修改写在同一个函数中。这样虽然代码短,但后续加入重试、日志、权限检查时会迅速变复杂。

更好的方式是保持三个独立阶段:决策层负责选择动作,执行层负责完成动作,状态层负责记录变化。

本课总结

  • Agent Loop 是 Runtime 持续推进任务的核心机制。
  • 每轮循环都应经过决策、执行、观察和状态更新。
  • 循环必须具备明确退出条件,避免无限执行。

下一课预告

下一课将继续完善 Runtime,让 Agent 支持工具调用编排和更复杂的执行流程。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

实现最小 Agent Loop

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通