MetonaTeam/metona-ollama-desktop
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases 1 Wiki Activity
Files
2ac07208b59423fc39f11dc84b05b877e6acad53
metona-ollama-desktop/docs/Agentic-Loop详解.md
T

28 KiB
Raw Blame History

🔄 Agentic Loop（智能体循环）完全指南

一句话定义：Agentic Loop 是驱动 AI Agent 持续自主完成复杂任务的核心调度循环——让 AI 不断重复"思考 → 行动 → 观察 → 再思考"的闭环过程，直到任务完成。

目录

一、核心概念

什么是 Agentic Loop？

**Agentic Loop（智能体循环）**是 AI Agent 架构中的核心运行机制，它让大语言模型（LLM）从传统的"一问一答"模式升级为能够持续自主地完成复杂任务的闭环系统。

如果把普通 AI 比作「随时待命的客服」，只负责被动应答；那带 Loop 的 AI Agent，就是 不用催促、自主推进的全职实习生，懂规划、会试错、能复盘、可收尾。

为什么需要它？

传统的 LLM 交互是线性的"一问一答"——用户提问，模型一次性生成回答，交互即结束。一旦任务复杂、变数较多，就会直接"摆烂"，需要人不断细化指令、手动推进进度。

而 Agentic Loop 引入了「循环」和「反馈」两个关键要素，使 AI 能够根据中间结果动态调整策略，边执行边验证，而不是死板地执行预设流程。

💡 没有 Agent Loop，AI 只是聊天工具；有了 Agent Loop，AI 才是能落地干活的智能体。

二、与传统 LLM 的本质区别

维度 传统 LLM Agentic Loop
交互方式 线性"一问一答" 循环式"思考→行动→观察"
任务能力 单次内容生成 持续自主完成复杂任务
反馈机制 无中间反馈 基于环境反馈动态调整
适应性 静态输出 动态纠错与策略优化
记忆能力 无状态 可选配持久化记忆
工具使用 不支持 原生支持多工具调用 
flowchart LR
    subgraph Traditional["传统 LLM：单次交互"]
        A1[用户提问] --> B1[LLM 一次性生成]
        B1 --> C1[输出结果 · 结束]
    end

    subgraph Agentic["Agentic Loop：闭环迭代"]
        A2[设定目标] --> B2[思考决策]
        B2 --> C2[行动执行]
        C2 --> D2[观察反馈]
        D2 --> E2{任务完成?}
        E2 -->|否| B2
        E2 -->|是| F2[输出最终结果]
    end

三、运作机制：五阶闭环详解

Agentic Loop 的完整工作流包含五个阶段，在多数任务中可简化为持续迭代的三步核心循环。

完整五阶段

① 目标感知（Perceive）

人类只需给出 最终目标和核心规则，不用拆解步骤、不用预设细节。例如：

  • "整理一份2026年新媒体行业报告"
  • "排查这段代码的运行漏洞并修复"
  • "规划一周减脂食谱+运动计划"

这一步彻底告别了过去「精准逐字写提示词」的繁琐。

② 思考决策（Reason）

Agent 结合自身知识库、记忆体系和工具能力，把大目标拆成可落地的小步骤，同时判断：

  • 下一步该做什么？
  • 需要调用什么工具？
  • 优先执行哪项任务？

核心区别：步骤不是人定的，是 AI 自己推理出来的。

③ 行动执行（Act）

根据决策结果执行具体动作：

  • 🔍 联网搜索信息
  • 💻 调用代码工具 / 执行 Shell 命令
  • 📄 读取本地文件
  • ✍️ 生成文案内容
  • 📊 批量处理数据

这是 AI 从「只会输出文字」到「可以真实做事」的关键一步。

④ 观察反馈（Observe）

Agent 会主动感知执行后的真实状态：

  • 搜索的信息是否全面？
  • 代码是否运行成功？
  • 生成的内容是否缺漏？
  • 数据是否存在异常？

它不再盲目输出，而是 能看见自己的执行结果。

⑤ 复盘修正（Reflect/Correct）

这是 Loop 最核心的灵魂。Agent 会自我校验：

  • 当前结果是否达标？
  • 有没有遗漏步骤？
  • 有没有错误漏洞？
  • 是否需要调整方法？

如果不满足终止条件，立刻修正策略、重启下一轮循环；如果达标，才终止任务、输出最终结果。

核心三步简化版

在实际工程中，五阶段常被精简为最核心的三步循环：

┌─────────────────────────────────────────────┐
│                                             │
│   ┌──────────┐    ┌──────────┐    ┌────────┐│
│   │ 推理     │──▶│ 行动     │──▶│ 观察   ││
│   │ Reasoning│    │ Acting   │    │Observ. ││
│   └──────────┘    └──────────┘    └────────┘│
│         ▲                              │     │
│         └──────────────────────────────┘     │
│            未完成则继续循环                    │
└─────────────────────────────────────────────┘

简单总结：思考 → 行动 → 观察 → 评估 → 修正，往复循环，闭环落地。

四、三层分级体系

Agentic Loop 不是固定模板，随着记忆存储、工具管理、配套功能完善，可分为三个层级。开发中遇到的绝大多数问题——AI 重复执行相同操作、遗忘前文对话、多轮回答前后逻辑矛盾——根源基本都是 任务复杂度与智能体层级不匹配。

第一层：基础工具调用循环

最简形态，仅依靠大模型调用工具并输出回答，没有持久化记忆、没有外部状态存储。

用户输入 → LLM 推理 → 调用工具 → 观察结果 → 回传 LLM → 输出最终答案

特点：

  • ✅ 处理独立、简短的一次性任务完全够用
  • ❌ 无法留存历史对话，每次启动都是全新空白状态
  • ❌ 上下文窗口是唯一临时存储载体，流程结束后所有状态清空
  • ❌ 用于多轮对话时会出现：重复检索运算、遗忘前文决策、前后自相矛盾

适合场景：单次问答、简单查询、一次性工具调用

第二层：内置完整生命周期的循环

升级后，循环内部新增标准化 记忆操作流程：

  • 调用大模型前 读取 历史记忆数据
  • 智能体完成动作后 写入/更新 记忆
  • 整套循环形成完整闭环生命周期

关键区分：记忆增强型 vs 记忆感知型

类型 说明 能力上限
记忆增强型 仅被动检索信息注入上下文，不会主动管控内存 较低 —— 记忆是外部附加能力
记忆感知型 将内存作为核心工程模块，主动完成编码、存储、检索、注入、遗忘全套操作 较高 —— 在单次/跨会话中持续维护自身推理状态

第二层是搭建 记忆感知型智能体 的起点。

第二层常见挑战及缓解方案

挑战 说明 缓解方法
检索噪声 语义相似但与当前查询实际不相关 设置相关性阈值 + 混合检索 + 多级过滤
陈旧记忆 快速变化领域中数据很快过时 设置 TTL（生存时间）策略 + 写时更新模式
工具定义过载 工具太多导致上下文膨胀，降低选择准确性 采用语义工具检索而非穷举所有工具

适合场景：多轮对话、长周期任务、需要上下文延续的复杂工作流

第三层：Harness 工程体系级循环

工程师不仅能管控循环内部逻辑，还在循环外围搭建一套 设计规范、功能完善的 Harness 框架。系统操作分为两大板块：

板块 说明 示例
循环内操作 程序自动执行 自动加载上下文、执行工具调用
循环外操作 智能体自主触发 AI 判断是否需要额外信息、主动请求人工确认

第三层必需的三类优化手段

  1. 上下文窗口监控：实时统计每轮 Token 占用，提前预判溢出风险，及时触发压缩
  2. 对话压缩：用精简摘要替代冗长聊天记录，原始消息永久保存在数据库，支持审计和按需展开
  3. 工具输出离线存储：完整工具返回结果存入独立日志表，上下文仅保留一行引用标识

第三层的核心升级不在于内层的基础循环逻辑，而是循环外围一整套配套支撑系统：数据加载框架、运行约束管控、跨会话持久化存储层。此时整套 Harness 本身已经是一套独立、成熟、可单独运维的工程系统。

适合场景：生产级应用、企业级部署、高可靠性要求的复杂 Agent 系统

flowchart TB
    L1["第一层: 基础工具调用循环\n✅ 单次任务 / 简单查询"] --> L2["第二层: 内置记忆的完整生命周期\n✅ 多轮对话 / 长周期任务"]
    L2 --> L3["第三层: Harness 工程体系\n✅ 生产级 / 企业级部署"]
    
    style L1 fill:#e8f5e9,stroke:#4caf50
    style L2 fill:#fff3e0,stroke:#ff9800
    style L3 fill:#e3f2fd,stroke:#2196f3

五、循环终止条件

任何循环都必须设置退出机制。设计完善的 Agentic Loop 会明确定义全部终止规则：

主流终止条件

# 终止条件 说明
1 模型输出最终回复 无待执行的工具调用（tool_calls 为空）
2 系统校验任务完成 Harness 主动校验目标已达成
3 达到最大迭代次数 默认通常设为 10~20 次，防止无限循环
4 运行时长超限 全局超时保护，双重管控资源消耗
5 不可恢复的系统错误 发生无法自动修复的异常
6 死循环检测 连续多轮重复执行相同操作，无任何进展
7 Agent 主动结束 智能体发出完成标记

⚠️ 常见误区

模型不再发起工具调用 ≠ 用户需求已全部完成

模型可能输出追问、部分结果或需要补充交互的内容。任务是否真正闭环，需要 Harness 主动校验，不能单纯依靠模型停止调用工具来判断。任务流程越长、逻辑越复杂，二者的差距越明显。

卡死故障检测

成熟的 Harness 框架会缓存近期全部工具调用记录，识别以下停滞模式后直接终止流程并输出诊断日志：

  • 连续三轮用完全相同参数调用同一个工具
  • AI 在两种状态间反复来回切换、毫无进展

六、核心伪代码实现

以下是所有 AI 智能体、自动化工作流的底层通用代码逻辑（无编程基础也能看懂）：

# ============================================
#  Agentic Loop 核心闭环逻辑（通用极简版）
# ============================================

def agent_loop(目标任务):
    # ---- 1. 初始化 ----
    当前状态 = "未完成"
    最大循环次数 = 20          # 防止无限死循环
    历史执行记录 = []
    
    # ---- 2. 主循环 ----
    while 当前状态 == "未完成" and 循环次数 < 最大循环次数:
        
        # ① 思考决策：根据目标 + 历史反馈 规划下一步动作
        下一步动作 = llm_思考推理(目标任务, 历史执行记录)
        
        # ② 行动执行：调用工具、落地操作
        执行结果 = 工具执行(下一步动作)
        
        # ③ 观察反馈：记录本次执行的所有数据和状态
        历史执行记录.append({
            "动作": 下一步动作,
            "结果": 执行结果,
            "时间戳": 当前时间()
        })
        
        # ④ 复盘评估：判断是否达标、是否需要优化
        任务是否完成 = llm_校验(目标任务, 执行结果)
        
        if 任务是否完成 == True:
            当前状态 = "已完成"
        else:
            # 未达标，自动修正策略，开启下一轮循环
            修正策略 = llm_纠错优化(目标任务, 历史执行记录)
            # （修正策略会自然融入下一轮 llm_思考推理）
    
    # ---- 3. 输出最终成果 ----
    return 最终整合结果(历史执行记录)

代码核心解读

要点 说明
while 循环是灵魂 普通 AI 没有 while 循环，只会执行一次输出；Agent Loop 依靠持续循环实现反复干活、反复优化
自带记忆迭代 每一轮都记录「动作 + 结果」，下一轮参考历史数据，越循环越精准
自带终止机制 最大循环次数 + 任务校验双保险，既保证自主迭代又避免无效死循环

更底层的 LangChain 风格实现

# ============================================
#  用 LangChain 实现的核心循环（更接近真实工程）
# ============================================

while not done:
    # 1. 构建上下文（system prompt + 历史消息 + 当前输入）
    messages = build_context(system_prompt, history, current_input)
    
    # 2. 调用 LLM API（流式或非流式）
    response = call_llm(messages)
    
    # 3. 解析响应
    if response.has_tool_calls:
        # 4a. 有工具调用 → 逐个执行
        results = execute_tools(response.tool_calls)
        # 5a. 结果追加到历史
        history.append(response)
        history.append(results)
        # → 回到步骤 1，进入下一次迭代
    else:
        # 4b. 无工具调用 → 输出最终回复
        done = True
        return response.content

一个简单的"帮我查天气"请求通常需要 2~3 次迭代；而复杂任务如"帮我改这个 bug"可能需要 10+ 次迭代——读文件、运行测试、编辑代码、再运行测试……

七、与主流 Agent 范式的关系

Agentic Loop 是多个 AI Agent 工程范式的共同基础设施：

🔄 ReAct 模式（最基础、最具代表性）

由 Shunyu Yao 等人于 2022 年在论文《ReAct: Synergizing Reasoning and Acting in Language Models》中提出。

  • 核心思想：将 思维链推理（CoT） 与 外部环境交互行动 相结合
  • 解决的问题：弥补单纯 LLM 缺乏实时信息和容易产生幻觉的缺陷
  • 影响范围：已成为现代 AI 代理设计的基准，深刻影响了 LangChain 和 LlamaIndex 等后续框架

ReAct 的经典执行轨迹示例（排查线上服务变慢）：

Thought 1: 用户报告服务变慢，我需要先查看监控指标
Action 1: query_monitoring(service="api-server")
Observation 1: CPU 使用率 95%，响应时间 P99 > 5s

Thought 2: CPU 飙升且响应慢，可能是慢 SQL 导致的，检查数据库
Action 2: query_database_logs(time_range="last_hour")
Observation 2: 发现全表扫描查询 SELECT * FROM orders WHERE ...

Thought 3: 已定位根因——缺少索引导致的全表扫描，通知负责人修复
Action 3: send_alert(channel="slack", message="发现慢SQL根因...")
Observation 3: ✅ 告警已发送

Final Answer: 服务变慢的原因是 orders 表缺少索引导致全表扫描，
             已发送告警给 DBA 团队，建议立即添加索引。

📋 Plan-and-Execute（先规划再执行）

在 Loop 中引入更复杂的任务分解和调度机制：

  1. 先制定完整的分步计划（Plan）
  2. 再逐步执行每个子任务（Execute）
  3. 执行过程中可根据结果回溯调整计划

🔍 Reflection（反思机制）

在 Loop 中增加 自我评估和纠错环节：

  • 每步行动后评估效果
  • 从失败中学习
  • 提升长期表现

👤 Human-in-the-Loop（人机协同 / HITL）

将人类作为核心参与者整合到 Agentic 生命周期中（而非仅仅作为监督者）：

  • 满足企业的法律、合规和安全要求
  • AI 在关键节点主动暂停，列出待确认项等待人工审核
  • 不是兜底 bug，而是架构设计的分层逻辑

🤖 Multi-Agent System（多智能体协作）

多个 Agent 各自拥有独立的 Agentic Loop，通过协作模式共同完成任务：

  • 并行模式：多个 Agent 同时处理不同子任务
  • 顺序模式：按流水线顺序传递处理
  • 循环模式：Agent 之间形成协作循环

八、工具调用（Tool Use）六步闭环

大模型本质上是"静态文本生成器"，训练后无法自动更新知识，也不能执行计算、查询私有数据或操作外部系统。要让模型"感知并行动"，必须把外部能力包装成 "工具"，让模型按需调用。

六步闭环流程

┌──────────────────────────────────────────────────────┐
│                                                      │
│  ① 工具定义 → ② LLM 决策 → ③ 结构化调用              │
│       ↑                                    │         │
│       └── ⑥ 最终回答 ← ⑤ 结果回传 ← ④ 执行层运行 ←───┘│
│                                                      │
└──────────────────────────────────────────────────────┘
步骤 操作 说明
① 工具定义 用 JSON Schema 或框架装饰器描述函数名、功能、字段类型与语义 供 LLM 读取和理解
② LLM 决策 将"用户提问 + 可用工具描述"一起输入模型 模型内部判断是否需要调用工具
③ 结构化调用 模型输出 JSON 格式的调用指令 如 {"name": "get_weather", "arguments": {"city": "London"}}
④ 执行层截获运行 框架根据 JSON 路由到真实函数 完成 API 请求、数据库查询、代码运行等
⑤ 结果回传 函数返回值作为新上下文再喂给 LLM 让模型基于真实结果继续推理
⑥ 最终回答 模型结合原始提问与工具观察生成答案 若仍缺信息可循环 ②~⑤

LangChain 代码示例

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain.agents import create_agent

# ① 定义工具
@tool
def get_weather(city: str) -> str:
    """查询指定城市的天气"""
    return f"{city}今天晴,25°C"

# ② 创建带工具的 Agent（内部编译出 StateGraph 循环）
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
agent = create_agent(llm, [get_weather])

# ③ 运行（自动进入 Agentic Loop）
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京今天天气怎么样?"}]
})
print(result["messages"][-1].content)
# → 今天北京天气晴,气温25°C

九、适用场景与不适用场景

✅ 适合使用 Agentic Loop 的场景

场景特征 典型例子
步骤数无法事先确定 "调研某个技术领域并输出完整报告"
需要根据中间结果动态调整策略 搜索失败时换关键词重试；代码报错时换方案修复
任务完成度比速度更重要 深度资料分析、复杂代码重构
多步骤、长链路任务 自动办公流程、多轮内容创作
需要自我纠错的能力 排查 Bug、调试程序

❌ 不适合使用 Agentic Loop 的场景

场景特征 原因 更好的选择
固定序列的工作流 高度可预测、步骤固定 确定性的代码 Pipeline
简单任务 一次 LLM + 一次工具调用就能解决 直接函数调用
严格的延迟约束 每次迭代都要调 LLM，时间和 Token 成本累积 预计算 / 缓存

十、实际应用案例

🖥️ 开发场景：Claude Code / Cursor / OpenClaw

每一次与编程助手的交互会话，本质上都是一个 Agentic Loop：

读取用户请求 → 检查代码仓库 → 编辑文件 → 运行测试 → 识别报错 → 再次编辑 → ... → 构建成功

这套 推理 → 行动 → 观察结果 的往复流程，如今几乎所有的生产级编程智能体都以它为核心。

📊 办公场景

  • 自动整理会议纪要 → 提炼重点 → 拆解待办 → 生成执行方案 → 跟进任务进度
  • 读取表格数据 → 分析异常 → 生成可视化报告 → 给出优化建议

✍️ 内容场景

  • 自主选题 → 搜索资料 → 梳理框架 → 撰写初稿 → 校对纠错 → 优化措辞 → 排版输出

🏠 智能硬件场景

扫地机器人避障规划、智能温控调节、自动驾驶路况判断——本质都是持续 感知 → 决策 → 行动 → 修正 的小型 Agent Loop 循环。

所有「越用越聪明、能自主干活」的 AI，核心都是 Agentic Loop。

十一、关联循环体系

Agentic Loop 并非孤立存在，外部多层循环会直接影响其架构设计：

三大关联循环

flowchart TB
    TL["🔄 训练循环<br/>数据采集 → 梯度更新 → 效果评估 → 版本发布<br/>离线流程 · 周期以天/周计"] 
    
    AL["🔄 Agentic Loop（智能体循环）<br/>推理 → 行动 → 观察 → 再推理<br/>在线实时流程 · 以秒计"]
    
    FL["🔄 反馈循环<br/>工具返回 → 用户修正 → 量化指标 → 评估监控"]
    
    HL["🔄 人工介入循环<br/>AI 暂停 → 人工审核 → 确认/修改 → 继续运行"]
    
    AL -->|"产生交互数据"| FL
    FL -->|"存入记忆库"| TL
    AL -->|"触及权限边界"| HL
    HL -->|"确认后继续"| AL
循环类型 性质 周期 说明
训练循环 离线 天/周 大模型诞生的底层流程；现阶段与 Agentic Loop 完全解耦（模型权重固定）
反馈循环 在线 实时 每次动作产生的反馈信号（工具返回、用户修正、量化指标）；持续迭代进化的核心
人工介入循环 按需 不定 AI 遇到无法自主决策的节点时主动暂停，等待人工确认

⚠️ 关键边界：训练循环 vs Agentic Loop

现阶段两类循环 完全解耦：

  • 模型训练完成后权重固定，Agent 在静态权重之上运行
  • 对话中表现出的"记忆""学习""纠错"，并非更新模型权重，只是从内存检索历史信息
  • 分清两者边界才能精准定位问题：需要优化记忆存储？还是重新训练大模型？

十二、行业趋势与未来方向

AI 技术的三次范式跃迁

判别式 AI ──▶ 生成式 AI ──▶ Agentic AI
 (分类/预测)    (ChatGPT)    (自主执行任务)

英伟达 CEO 黄仁勋在 2025 GTC 大会上宣称：我们即将步入 Agentic AI 时代。英伟达称 Agentic AI 为 "人工智能的下一个前沿"。

从 Prompt Engineering 到 Loop Engineering

AI 的竞争，从「单次提示优化」变成了「循环系统设计」。

过去（Prompt Engineering） 现在（Loop Engineering）
反复打磨提示词 设计更合理的 Agent Loop
细化指令、预设场景 优化推理逻辑、调整循环策略
人工弥补 AI 不智能 让 AI 自己试错、自己优化
单次交互质量 循环系统效能

未来方向：打通全链路持续学习

当前智能体循环、模型训练循环、反馈循环分属三套独立开发体系。未来方向是将它们 打通闭环：

Agentic Loop 产出真实交互经验
        ↓
  存入记忆库（高质量数据）
        ↓
  持续学习技术（Continual Learning）
        ↓
  把经验融入模型参数
        ↓
  模型越来越强 → Agent 越来越聪明

届时 记忆存储的数据质量将直接决定训练素材质量——规整清晰的聊天记录、精准提取的关键信息、可靠的反馈评价，能产出高质量训练数据；杂乱无章、无规划存储的对话，无法用于模型迭代。

十三、核心价值总结

Agentic Loop 赋予了 AI 系统四大核心能力：

能力 图标 说明
自主性 (Autonomy) 🧠 无需持续人工干预即可持续推进任务
目标导向 (Goal-Directed) 🎯 理解抽象目标并将其转化为具体行动序列
动态适应 (Adaptive) 🔄 通过持续的环境反馈优化策略
多模态协作 (Multi-tool) 🔗 整合多源数据，支持跨工具/跨系统调用

一句话总结

没有 Agentic Loop，AI Agent 就只是一个静态的问答工具；有了它，AI 才真正具备了"持续自主完成复杂任务"的能力。

单次输出是工具，循环闭环才是智能。

参考来源

核心论文

  • Yao, S., et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models — CSDN 解析

深度解析文章

设计模式与架构

行业趋势

📝 文档版本：v2.0（增强版）
📅 最后更新：2026-07-11
📖 **本文档基于公开技术资料整理，涵盖概念解析、分层体系、代码实现、工程实践与行业趋势

Reference in New Issue View Git Blame Copy Permalink