🔄 Agent 死循环之谜：为什么你的 Tool 在疯狂重复执行？

你是否遇到过这样的场景：Agent 调用了同一个 Tool 几十次，却始终在原地打转？Token 疯狂燃烧，任务毫无推进。今天我们就来深度拆解这个现象的根因。

---

一、先理解：Agent 的决策闭环

在分析"死循环"之前，我们需要先理解一个正常运转的 Agent 是怎样工作的。

Agent 的本质不是"一问一答"，而是一个多步决策闭环。

每一轮迭代的核心链路：

Goal → State → Planner → Action → Tool Observation → Memory Update → Stop/Proceed

🔑 关键洞察：闭环中的每个节点都可能成为死循环的触发点。只要有一个环节"卡住"，Agent 就会陷入无限重试。

---

二、正常流程 vs 死循环流程

看一张对比图，立刻明白差异：

维度	✅ 正常流程	❌ 死循环流程
状态	每步更新	原地不动
记忆	累积事实	反复遗忘
决策	基于新信息	基于旧信息
终止	条件明确	条件缺失

一句话总结：死循环 = Planner 在信息不变的情况下反复做出相同的决策。

---

三、六大死循环失败模式

让我们逐一深入分析最关键的四种模式 👇

---

模式 ①：Planner 的"无进展感"

这是最常见的死循环根因。

Planner 陷入"地鼠日"（Groundhog Day）——每次醒来，世界都是一样的。

根本原因拆解：

原因	机制	后果
Context Window 溢出	对话历史超长，旧信息被截断	Planner 忘记自己已经做过什么
State 未更新	Action 执行后未修改状态变量	Planner 看到的"世界"没变
缺少进度指标	没有 steps_completed、progress % 等度量	Planner 无法判断"是否前进了"

💡 这就好比：你让一个人走迷宫，但每走一步就擦掉他的脚印。他永远不知道自己走过哪里，于是不断重复同一条路。

---

模式 ②：Tool 返回"不可判定"结果

当 Tool 的返回值既不是明确的成功、也不是明确的失败时——陷阱就来了。

典型的"不可判定"返回场景：

# 😱 这些返回值都会让 Agent 困惑
tool_result = "操作已提交，请稍后查看结果"   # 成功了吗？不确定
tool_result = "部分数据已更新"              # 全部完成了吗？不确定  
tool_result = {"status": "pending"}          # 要等多久？不确定
tool_result = ""                             # 空返回，什么都不知道

死循环的形成过程：

Agent: "帮我查询用户数据"
Tool:  "请求已提交" (← 不可判定！没说查到了什么)
Agent: "我还没拿到数据，再查一次"
Tool:  "请求已提交" (← 相同的模糊回答)
Agent: "还是没拿到，再来..."
... ♻️ 无限循环

⚠️ 核心问题：Agent 无法区分"需要重试"和"方法根本不对"。

---

模式 ③：记忆丢失——上下文窗口的诅咒

LLM 的上下文窗口是有限的。当对话轮次增多：

Iteration 1: 发现事实 A ✅ → 存入上下文
Iteration 2: 发现事实 B ✅ → A 仍在记忆中
Iteration 3: 上下文溢出 → 事实 A 被丢弃 ❌
Iteration 4: "咦，我好像还不知道 A" → 重新去查 A
Iteration 5: 查到 A → 但 B 又被丢弃了 ❌
Iteration 6: "我好像还不知道 B" → 又去查 B
... ♻️ 永远在 A 和 B 之间轮转

这不是 Tool 的问题，而是 Agent 架构的"硬伤"。 没有外部持久化记忆的 Agent，在长任务中必然面临这个问题。

---

模式 ④：终止条件缺失

没有"什么时候该停下来"的定义，Agent 就永远不会停。

两种常见的终止条件缺失：

❌ 缺少硬性上限：

# 危险！没有 max_iterations
while not task_completed:
    agent.run_next_step()
    # 如果 task_completed 永远为 False？
    # → 无限循环 🔥

✅ 正确做法：

# 安全！有多重终止保障
for i in range(MAX_ITERATIONS):
    result = agent.run_next_step()
    if result.is_success:
        break
    if result.is_stuck(last_n=3):  # 最近3步没变化
        agent.escalate_or_change_strategy()
        break

---

四、根因总结：一张图看懂

把所有失败模式串联起来，根因可以归结为一个公式：

死循环 = f(信息不变) × g(决策不变) × h(无法终止)

层级	故障点	根因
🎯 Goal 层	Prompt 目标模糊	Agent 不知道"完成"长什么样
🧠 Planner 层	无进展感	每轮输入相同 → 输出相同
🔧 Tool 层	返回不可判定	Agent 无法判断下一步该怎么做
💾 Memory 层	事实丢失	重复发现已知信息
🚪 Exit 层	终止条件缺失	没有"该停了"的信号
🔄 Recovery 层	恢复策略单一	失败了只会重试，不会换方法

---

五、如何打破死循环？

🔑 五把钥匙

① 进度感知（Progress Awareness）

# 每步记录 state diff
state_before = agent.get_state()
agent.execute_action()
state_after = agent.get_state()
diff = compute_diff(state_before, state_after)
# 将 diff 注入 Planner 的下一轮 prompt

让 Planner 看到变化，而不是每次面对相同的世界。

② 结果三级分类（Result Classification）

def classify_tool_result(result):
    if is_definitive_success(result):
        return "SUCCESS"      # → 继续下一个子目标
    elif is_definitive_failure(result):
        return "FAILURE"      # → 切换策略
    else:
        return "AMBIGUOUS"    # → 增加探测步骤，而非简单重试

③ 持久记忆（Persistent Memory）

# 关键事实不放在上下文里，而是写入外部存储
memory_store.save("user_id_123_data", discovered_facts)
# 每轮开始时从外部加载
relevant_facts = memory_store.load(current_task_context)

④ 硬性终止（Hard Stop）

MAX_ITERATIONS = 15
STUCK_THRESHOLD = 3  # 连续3步无变化则视为卡住

for i in range(MAX_ITERATIONS):
    result = agent.step()
    if is_stuck(history[-STUCK_THRESHOLD:]):
        break  # 强制退出

⑤ 多策略回退（Multi-Strategy Fallback）

strategies = [strategy_a, strategy_b, strategy_c, human_escalation]
for strategy in strategies:
    result = strategy.execute(task)
    if result.is_success:
        break
# 所有策略都失败 → 上报人类

---

六、写在最后

Agent 死循环的本质，不是 Tool 出了 Bug，而是决策闭环中的反馈链断裂了。

闭环完整 → 每步都有新信息 → 决策不断演进 → 任务推进 ✅
闭环断裂 → 信息原地踏步   → 决策重复相同 → 死循环   ❌

下次当你发现 Agent 在疯狂重复调用 Tool 时，不要急着怀疑 Tool 本身——回到闭环，找到断裂的那个环节。

🧭 记住这个诊断顺序：

1. Goal 是否清晰？
2. Planner 是否感知到了进展？
3. Tool 返回值是否可判定？
4. Memory 是否保持了关键事实？
5. 是否定义了终止条件？
6. 失败时是否有替代策略？

检查这 6 个点，80% 的死循环问题都能定位。

---

觉得有用？欢迎转发分享给你身边正在构建 Agent 的朋友 🚀