AI Agent / 系统课时

实现自动修复循环

实现自动修复循环

本篇解决智能体如何在失败后自动继续修改、执行和验证的问题。最终结果是建立一个受控闭环,让智能体能够持续尝试修复,同时通过失败次数限制避免无限循环。

学习目标

  • 理解编辑、执行、观察三个阶段如何组成闭环
  • 掌握自动修复循环的核心控制逻辑
  • 能够为智能体增加失败保护机制

自动修复循环的基本模型

自动修复循环的核心是让智能体根据执行结果决定下一步动作,而不是一次生成代码后立即结束。

典型流程如下:

  1. 模型生成修改方案
  2. 智能体应用修改
  3. 执行测试或工具调用
  4. 收集结果并反馈给模型
  5. 根据结果决定继续或结束

智能体自动修复循环状态流程图

设计循环控制状态

自动修复不能简单使用无限 while 循环,需要明确状态和退出条件。

常见状态包括:

  • EDIT:等待模型生成修改
  • RUN:执行代码或测试
  • OBSERVE:分析执行结果
  • DONE:问题解决
  • STOP:达到限制或无法继续

下面是一个最小循环控制示例。

python
MAX_RETRIES = 3

attempt = 0
result = "failed"

while attempt < MAX_RETRIES and result != "success":
    attempt += 1

    patch = generate_fix()
    apply_patch(patch)
    result = run_test()

    print(f"attempt={attempt}, result={result}")

预期输出

text
attempt=1, result=failed
attempt=2, result=failed
attempt=3, result=success

限制连续失败次数

失败次数限制是自动修复系统的重要保护机制。没有限制时,模型可能因为理解错误不断修改同一位置,浪费计算资源。

实际系统中通常还会增加更多停止条件:

条件 作用
最大尝试次数 防止无限循环
最大执行时间 控制资源消耗
重复修改检测 避免无效振荡
风险操作确认 防止自动执行危险动作

保存每轮执行记录

每一次循环都应该记录输入、修改和结果,方便后续分析。

json
{
  "attempt": 2,
  "change": "add validation for empty token",
  "test": "failed",
  "nextAction": "retry"
}

预期结果

text
系统可以根据历史记录判断是否继续修复,并支持问题回溯。

自动修复循环的边界

自动修复适合处理测试失败、配置错误和局部代码问题,但不应该让模型无限制修改核心业务逻辑。

在生产环境中,需要结合权限控制、人工确认和变更审计,确保循环行为可预测。

本课总结

  • 自动修复循环由编辑、执行、观察和反馈几个阶段组成。
  • 最大失败次数和状态控制是避免失控的关键。
  • 每轮执行记录可以提升可追踪性和问题分析能力。

下一课预告

下一课将继续完善智能体执行体系,介绍如何管理长期任务中的状态与上下文。

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

实现自动修复循环

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