AI Agent / 系统课时
限制最大执行步数
限制最大执行步数
本节解决 Agent Runtime 无限循环执行的问题,通过建立最大步数、时间预算和成本预算约束,让智能体在复杂任务中保持可控运行,最终实现可预测、可停止的执行边界。
学习目标
- 理解为什么 Agent 需要执行预算限制。
- 掌握基于最大步数控制运行循环的方法。
- 能够组合步数、时间和成本形成多维预算策略。
为什么需要执行步数限制
Agent 的核心模式通常是“观察状态 → 决策 → 调用工具 → 更新状态”的循环。如果任务目标不明确、工具返回异常结果或模型持续尝试不同方案,循环可能长期运行。
最大执行步数是一种最基础的安全边界。它不判断任务是否正确,而是限制 Agent 最多进行多少轮推理和动作,防止错误规划导致资源浪费。
例如,一个 Agent 每轮都会调用搜索工具,如果没有限制,错误的查询策略可能产生大量重复请求。
设计执行预算模型
Runtime 通常需要同时管理多个预算维度:
| 预算类型 | 作用 |
|---|---|
| 最大步数 | 限制 Agent 循环次数 |
| 最大时间 | 限制单次任务最长运行时间 |
| 最大成本 | 限制模型调用或工具调用费用 |
其中最大步数最容易实现,也最适合作为第一层保护。
实现最大步数控制
下面是一个简化的 Agent Runtime 循环示例,通过 max_steps 限制最多执行次数。
python
class AgentRuntime:
def __init__(self, max_steps=10):
self.max_steps = max_steps
self.current_step = 0
def run(self, task):
while self.current_step < self.max_steps:
self.current_step += 1
result = self.execute_step(task)
if result.finished:
return result
return {
"status": "budget_exhausted",
"reason": "maximum execution steps reached"
}
def execute_step(self, task):
# 实际项目中这里会调用模型和工具
return task.next_step()预期输出
text
status: budget_exhausted
reason: maximum execution steps reached当任务提前完成时,Runtime 应立即返回成功结果,而不是继续消耗剩余步数。
多维预算组合策略
单独限制步数仍可能不足。例如某一步工具调用耗时很长,或者一次模型调用成本较高。因此生产环境通常会组合预算检查。
python
def check_budget(state):
if state.steps >= state.max_steps:
return False
if state.elapsed_seconds >= state.max_seconds:
return False
if state.cost >= state.max_cost:
return False
return True预期结果
text
True -> 允许继续执行
False -> 终止当前任务常见错误
一个常见问题是只在循环结束后检查预算。这样会导致最后一次超出限制的动作已经发生。
正确方式是在执行下一步动作之前检查预算,并在工具调用前再次确认关键限制。
另一个问题是把预算耗尽直接当成业务失败。实际上预算耗尽是一种运行状态,应该与任务失败、用户取消、正常完成区分开。
本课总结
- 最大执行步数是控制 Agent 自主循环范围的基础机制。
- 生产级 Runtime 通常需要同时管理步数、时间和成本预算。
- 预算检查应该发生在执行动作之前,而不是事后补救。
下一课预告
下一课将实现任务终止条件,让 Agent 能区分成功完成、主动停止、错误失败和预算耗尽等不同结束状态。
按自己的节奏,确认真正理解。