面经策

什么是 Agent Loop（智能体循环）？一个典型的 Agent Loop 包含哪些步骤？ ​

  • 标签：AI、大模型、Agent

🏛 业务架构师 ​

Agent Loop（智能体循环）是 Agent 的核心运行模式——"感知→思考→行动→观察"周而复始直到任务完成。一个典型循环的步骤：

  1. 接收输入：用户指令/环境事件进入，装配上下文（System Prompt+历史+工具清单+记忆）；
  2. 推理决策：LLM 分析当前状态，决定下一步——直接回答、调用工具、还是请求澄清；
  3. 执行动作：框架执行工具调用（带鉴权、参数校验），或输出文本；
  4. 观察结果：工具返回进入上下文，模型核对是否符合预期；
  5. 循环判断：任务完成则输出最终结果终止；否则回到 2 继续；
  6. 终止保护：步数/预算/超时熔断在每圈校验。

业务理解的关键：循环每转一圈都是成本（一次 LLM 调用+可能的工具执行），循环次数是 Agent 的"工时"——设计得好的 Agent 3~5 圈完成任务，差的 15 圈还空转。所以循环质量直接决定单任务成本和时延。

运营视角的两个核心指标：平均循环步数（效率）和熔断率（失控面）。优化手段：工具描述写得准（少走弯路）、任务分解清晰（一次规划到位）、反馈信息可行动（减少无效重试）。Agent Loop 是 ReAct 范式的工程化，理解它的价值在于把"AI 自主性"转化为可度量、可管理的运营对象。

🏗 系统架构师 ​

Agent Loop = "感知 → 推理决策 → 行动 → 观察"的迭代循环，直到满足终止条件——Agent 系统的心脏。典型步骤：

  • 上下文装配：System Prompt + 任务目标 + 对话历史 + 记忆 + 工具定义，按窗口预算组装；
  • LLM 推理：模型分析当前状态，决策——直接回答 / 调用工具 / 请求更多信息；
  • 动作执行：解析输出（纯文本或工具调用意图）→ 校验（Schema、权限）→ 执行（工具/检索/代码）→ 异常捕获；
  • 观察回填：执行结果处理（截断/摘要/落盘）写入上下文，成为下一轮的状态输入；
  • 终止判断：无工具调用 = 完成；触发熔断（步数/token/时长/循环检测）= 优雅终止；
  • 状态持久化：每轮 checkpoint，支持中断恢复。

架构师视角的三个本质认知：

  • 它是一个以 LLM 为转移函数的状态机：状态 = 上下文，转移 = 推理+执行——所以 Agent 工程的核心是状态管理（上下文工程），不是提示词技巧；
  • 成本模型是乘法：每轮全量上下文计费，N 轮任务成本 ≈ N × 上下文 token × 单价——步数预算就是成本预算，Prompt Cache 是唯一的减负阀；
  • 可靠性靠外壳：循环内的模型决策不可靠（死循环、重复、漂移），可靠性来自循环外的工程件——熔断、幂等、checkpoint、可回放。裸 Agent loop 上生产 = 事故预定。

💻 全栈开发专家 ​

Agent Loop（智能体循环）是 Agent 的心跳：组装上下文→调模型→执行动作→观察结果→重复，直到终止。一次典型循环的步骤：

  1. 输入感知：用户消息/事件进入，关联会话状态；
  2. 上下文组装：system prompt + 任务目标 + 对话历史（经裁剪/摘要）+ 可用工具 schema + 检索到的记忆/知识；
  3. LLM 推理：模型输出——纯文本回复（可能是终答）、tool_call（动作）、或求助信号；
  4. 动作执行：权限校验 → 工具/沙箱执行（超时、资源限制）→ 结果处理（裁剪、摘要、错误格式化）；
  5. 观察回填：执行结果作为 observation 追加进上下文；
  6. 终止判定：终答 / 达成验收 / 预算耗尽 / 无进展 / 人工中断——否则回到 2；
  7. 收尾：记忆写入、审计落账、输出交付。
        ┌──────────── 循环 ────────────┐
        ↓                             │
组装上下文 → LLM → ┬─ 文本 → 终止？─┐ │
                  └─ tool_call → 执行 → 观察 ┘

工程上循环本体要做的三件事：预算内建（每圈扣减）、trace 全记（每圈的输入输出可回放）、异常转译（工具错误变成模型可读的观察，给它自纠机会而不是崩掉循环）。

一个认知：现代框架（LangGraph、各 Agent SDK）的抽象再花哨，剥开都是这个循环——理解它，框架就只是语法糖；不理解它，框架就是黑盒。