概述

在构建 AI Agent 时，你很快会发现“一次调用 LLM 就完成任务”的场景少之又少。真实世界中的任务往往需要多步推理、外部工具调用（搜索、数据库查询）、上下文积累以及自我纠错。这种**反复执行“感知 → 思考 → 行动 → 观察”**的过程，就是 Loop Engineering（循环工程） 的核心价值所在。

本文将从概念到实战，解释为什么我们需要显式地设计循环，而不是简单地在 prompt 里写“请反复思考”。

核心概念

什么是 Loop Engineering

Loop Engineering 指的是在 AI Agent 系统中，显式地构建一个循环执行引擎，该引擎能够：

  1. 维持状态：记录当前的观察、历史对话、已完成步骤。
  2. 决策下一步：基于当前状态，由 LLM 或规则决定下一步动作（思考、调用工具、输出等）。
  3. 执行动作：调用外部函数、API、代码解释器等。
  4. 将结果反馈回状态：形成闭环。

这种循环不同于简单的“while 循环”，它强调 智能体内部的推理与工具调用交替进行，直到达到停止条件。

为什么不能一次完成？

假设我们要 Agent 完成：“请搜索最新的 AI 论文，总结并翻译成中文，然后发一封邮件给团队。”

  • 一次调用 LLM：LLM 无法真正搜索网络，只能胡编数据。
  • 多步 Agent 循环：
    1. Agent 决定调用 search_web（行动）
    2. 得到搜索结果（观察）
    3. 思考后决定 summarize（行动）
    4. 得到摘要（观察）
    5. 决定 translate + send_email（行动）
    6. 完成并退出。

如果没有循环，就无法将工具调用的结果喂回 LLM 的上下文，整个系统就退化成了“一次性调用”。

实战：一个简单的 Loop Engineering 实现

下面用 Python 演示一个极简的 Agent 循环，它使用 OpenAI 兼容的 API，并支持 search 与 calculate 两个工具。

import json
from openai import OpenAI

client = OpenAI()

# 工具定义
tools = [
    {
        "type": "function",
        "function": {
            "name": "search_web",
            "description": "搜索网络信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "搜索关键词"}
                },
                "required": ["query"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "执行数学计算",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {
                        "type": "string",
                        "description": "数学表达式，如 2 + 3 * 4"
                    }
                },
                "required": ["expression"]
            }
        }
    }
]

def simulate_call_function(name, args):
    """模拟工具执行，实际可对接真实API"""
    if name == "search_web":
        return f"模拟结果：关于'{args['query']}'的最新信息是……"
    elif name == "calculate":
        try:
            result = eval(args["expression"])
            return str(result)
        except:
            return "计算错误"
    return "未知工具"

def agent_loop(prompt, max_steps=10):
    messages = [
        {"role": "system", "content": "你是一个智能助手，可以使用工具。每次只回答你需要做什么，或者给出最终答案。"},
        {"role": "user", "content": prompt}
    ]
    step = 0
    while step < max_steps:
        step += 1
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            tools=tools,
            tool_choice="auto"
        )
        assistant_message = response.choices[0].message
        messages.append(assistant_message)

        # 判断是否有工具调用
        if assistant_message.tool_calls:
            for tool_call in assistant_message.tool_calls:
                func_name = tool_call.function.name
                func_args = json.loads(tool_call.function.arguments)
                result = simulate_call_function(func_name, func_args)
                # 将工具结果作为消息加入
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": result
                })
            # 循环继续，下一次 LLM 会看到结果
            continue
        else:
            # 没有工具调用，说明 LLM 给出了最终回答
            break
    
    # 返回最后一条助手消息
    return messages[-1].content

# 测试
result = agent_loop("今天天气怎么样？如果气温超过30度，告诉我如何降温。")
print(result)

这个例子展示了最核心的循环：LLM 决定是否调用工具 → 执行工具 → 结果返回 → 再次调用 LLM 决策。这就是 Loop Engineering 的本质。

注意事项

1. 防止无限循环

必须设置最大步数限制（如上代码中的 max_steps=10）。如果没有限制，Agent 可能陷入“思考-调用工具-再思考”的死循环。

2. 状态管理与上下文窗口

每次循环都会向 messages 中添加新的消息，很快会超过 LLM 的上下文长度限制。需要策略：

  • 丢弃最早的历史（滑动窗口）
  • 总结历史并压缩（summarization）
  • 使用支持长上下文的模型（如 Gemini 1.5 Pro）

3. 工具调用的可靠性

工具返回的结果可能是错误的、不完整的，甚至导致崩溃。Loop Engineering 需要设计重试机制和异常处理。

4. 退出条件

除了最大步数，还应该有更智能的退出条件：

  • LLM 明确表示“任务完成”
  • 用户主动中断
  • 检测到重复相同动作超过 N 次

5. 成本控制

每次循环都调用 LLM API，成本线性增长。可以引入成本预算，在达到预算时强制结束或降级。

总结

Loop Engineering 并非“多余的设计”，而是 AI Agent 能够从简单问答进化到真实自动化工作流的关键。它让 Agent 能够：

  • 与外部环境交互（工具、数据库、API）
  • 自我纠正（观察到错误后重新思考）
  • 逐步构建复杂结果（搜索→分析→总结→生成→发送）

没有循环，Agent 只是一个高级的 Prompt 模板；有了精心设计的循环，Agent 才能真正模拟人类的“行动-观察-调整”模式。Loop Engineering 是 Agent 的骨架，决定了它能走多远。