俗称 Agent 执行闭环，是所有智能体最核心的骨架。
先给出核心定义：

Agent Loop = 一套持续迭代的执行循环：大模型不断「思考 → 采取行动 → 接收外部反馈」，直到满足退出条件才停止，而不是普通
Chat 那样单次一问一答直接结束。

普通 Chat 流程（无循环）

用户提问 → LLM生成回答 → 流程终止

Agent Loop 流程（闭环）

用户目标 → 思考(Thought) → 行动(Action) → 获取观测(Observation) → 再次思考……【循环】→
任务完成，输出答案，退出

业界最经典范式：ReAct = Reason + Act（思考 + 行动），就是标准 Agent Loop。

一、标准 Agent Loop 五大核心阶段

1. Thought 思考阶段（大脑：LLM 负责）

输入：历史对话 + 用户目标 + 上一轮工具返回结果 (Observation)
LLM 要自主判断三件事：
当前信息是否足够回答用户？
如果信息不足：需要调用什么工具、入参是什么
如果信息足够：直接整理最终答案，终止循环

关键点：要不要调用工具，由模型自主决策，不是开发者硬编码 if 判断。

2. Action 行动阶段（执行层，代码侧）

当 LLM 输出工具调用指令（Tool Call / Function Call），程序解析指令，去执行外部能力：

• 联网搜索
• HTTP 接口调用
• 执行 Python 代码
• 查询数据库
• 端口探测、文件读写等

LLM 只输出调用意图与参数，真正执行操作是外部代码，模型本身不能触碰外部系统。

3. Observation 观测阶段（外部世界反馈）

工具执行完毕，拿到返回结果，包装成文本 / 结构化数据，送回给大模型。
示例：
Action：探测服务器 192.168.1.100:8080 端口
Observation：端口未开放，连接超时

4. 上下文组装

程序把：历史 Thought + Action + Observation 全部追加到上下文，送入下一轮 LLM 请求。

5. 终止判断 Exit Condition

每一轮思考后检查退出条件，常见终止条件：
LLM 判断现有信息足够，无需继续调用工具，生成最终回答
达到最大循环轮次（防止无限死循环！工程必加，比如最多循环 5 次）
工具连续多次调用失败、无可用工具

二、完整实例走一遍 Agent Loop

用户指令：查询沈阳今天气温，如果低于 20 度，提醒添加外套

假设模型本身没有实时天气数据

第 1 轮循环

• Thought：我没有实时天气，需要调用天气查询工具，参数：城市 = 沈阳，日期 = 今日
• Action：调用天气 API
• Observation：沈阳今日气温 16℃
• 未满足退出条件 → 进入下一轮

第 2 轮循环

• Thought：已获取温度 16℃ < 20℃，信息充足，不需要继续调用工具，可以整理最终回复
• Action：无工具调用，输出最终自然语言答案
• 触发终止条件，Loop 结束

最终回复：沈阳今日气温 16℃，气温偏低，建议增添外套。
👉 普通 Chat 模型只能等人主动追加信息；Agent 自动完成多轮迭代。

三、代码视角：极简伪代码理解 Loop

# Agent Loop 主循环
def agent_loop(user_query, max_round=5):
    context = [{"role":"user", "content": user_query}]
    for _ in range(max_round):  # 最大轮次，防死循环
        # 1. Thought：调用LLM思考
        llm_response = llm.chat(context)

        # 2. 判断：输出最终答案 or 需要调用工具
        if need_final_answer(llm_response):
            return llm_response.content # 退出循环
        
        # 3. Action：解析工具调用，执行外部函数
        tool_call = parse_tool_call(llm_response)
        tool_result = execute_tool(tool_call)

        # 4. Observation：把执行结果塞回上下文
        context.append({"role":"assistant", "tool_call": tool_call})
        context.append({"role":"tool", "content": tool_result})

    # 达到最大轮次强制退出
    return "任务迭代达到上限，无法完成查询"

这就是 LangChain、LangGraph、Spring AI Agent 底层最基础的骨架。

四、容易踩坑的工程问题（实战重点）

1. 无限循环问题（高频坑）

场景：模型不断重复调用同一个工具，得不到有效信息却一直循环。
解决方案：
强制设置最大迭代轮次（max_iterations）
在 prompt 约束：重复工具调用多次无果则停止
历史上下文增加约束，识别无效重复 Action

2. 上下文膨胀

每一轮 Thought/Action/Observation 都会塞进 prompt，轮次越多 token 越大。
解决方案：
摘要记忆、滑动窗口、向量长期记忆
对过长的 Observation 做截断

3. 模型幻觉产生错误的工具参数

模型编造不存在的函数名、错误参数。
方案：增加工具描述约束、参数校验，执行失败后将错误信息作为 Observation 回传给模型，让模型自我修正。

4. 区分：Function Calling ≠ Agent Loop

很多新手混淆：

• Function Calling：只是单次工具调用能力（一轮就结束）
• Agent Loop：持续多轮迭代机制，可以连续多次调用多个工具

单次 Function Call：
提问 → 调用一次工具 → 回答（无法连续二次调用）
Agent Loop：
可以连续调用工具 A→拿到结果→调用工具 B→调用工具 C…

五、延伸相关概念

• ReAct：最基础 Agent Loop 框架（Thought → Action → Observation）
• Plan-and-Solve / Plan-Execute
  增强版 Loop：先整体规划任务步骤清单，再循环执行每一步（适合复杂长任务）
• Reflection（反思型 Agent）
  Loop 增加反思环节：行动结束复盘哪里出错，优化下一轮决策
• LangGraph
  把 Agent Loop 改造为状态机，不再是简单线性循环，支持分支、跳转、回退，工业级常用

六、一句话总结

Agent Loop = 给大模型搭建一个持续自我迭代的循环跑道，允许模型多次 “思考、动手、接收反馈”，直到任务完成；普通对话没有这条循环跑道，只能一问一答。