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。

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。