Agent 的核心是循环控制
一次行动的结果会成为下一次决策的新输入。
Loop 工程·进阶入门·9 分钟
Agent Loop 模拟器
逐步走过一次 Agent Loop：理解任务、选择行动、调用工具、读取 Observation、处理失败，并决定继续还是给出最终答案。
01
体验
先处理问题，再阅读解释。
学习路径
01
用户
理解任务
02
Agent
选择行动
03
工具
调用天气工具
04
观察
读取结果
05
调整
重试或调整
06
回答
最终回答
正在加载确定性实验运行时…
02
反思
把结果整理成可以复用的判断。
关键结论
工具把模型连接到外部能力
查询 API、数据库或执行操作，都发生在模型本身之外。
Observation 改变下一步决策
工具结果不是流程终点，而是 Agent 判断是否继续的重要证据。
可靠性不能只靠 Loop 本身
重试、超时、权限、校验和终止条件属于 Harness 等运行约束，不能靠“多循环几次”代替。
03
深入理解
把这次体验连接到概念、参考与迁移。
概念说明
什么是 AI Agent Loop？
Agent Loop 是一个迭代控制过程：Agent 读取当前状态，选择一个行动，得到新的 Observation，再判断任务是否完成、是否应该继续或是否需要恢复。它把一次回答扩展成了一个可以反复感知和行动的过程。
Agent 为什么需要工具？
模型本身无法天然访问实时数据库、天气 API、代码执行器或业务系统。工具把 Agent 与这些外部能力连接起来，使它不仅能生成文字，还能获取新信息或执行真实动作。但工具权限越大，运行时安全边界也越重要。
Observation 是什么？
Observation 是一次行动返回的结果，例如 API 数据、工具报错或数据库查询结果。Agent 把它作为新的证据加入当前状态，再判断下一步，而不是假设工具一定成功。把失败也当作 Observation，是设计恢复路径的基础。
什么让 Agent 变得可靠？
真正的生产 Agent 还需要明确的工具契约、输入输出校验、重试上限、超时、权限控制、人工审批、可观测性和终止条件。Loop 负责局部迭代；这些运行约束属于 Harness 等其他工程责任。不要把“能循环”误解成“已经可靠”。
常见问题
所有聊天机器人都是 Agent 吗？
不是。普通聊天可以直接根据输入生成回答，不一定需要通过工具执行多步行动，也不一定存在可观察的状态循环。
Agent 一定需要隐藏的 Chain-of-Thought 吗？
不需要。工程上可以用显式状态、结构化决策、工具调用和可观察的状态转换来实现 Agent 控制，而不依赖暴露或保存隐藏推理过程。
为什么实验里要主动模拟工具错误？
因为生产环境中的超时、限流和无效返回是正常情况。失败后的行为设计，是 Agent 可靠性的一部分。
ReAct 是唯一的 Agent 模式吗？
不是。Plan-and-Execute、显式 Workflow、状态机和 Graph 编排都可以组织 Agent 行为，选择取决于任务结构和可靠性要求。
天气数据和耗时都是教学模拟值；真正的学习目标是行动、Observation、恢复和终止之间的控制关系。
LEARNING CONTEXT
学习连接
Agent Loop 本质上是一个控制系统，需要明确的停止、恢复和升级策略。
未看过
Mental Model
- S05-M01Act → Observe → Verify Loop
- S05-M03Bounded Autonomy、Termination 与 Escalation
建议补充前置
进入这起事故前，没有必须完成的已发布前置内容。
迁移这个模型
一个工具持续返回可重试错误。在哪个节点 Agent 应继续 Retry、换策略，或升级给人？
04
下一步
把这个判断带到另一个问题或构建中。
动手想一想
加入终止条件与失败兜底
定义 Agent 在什么情况下可以重试、什么时候必须停止，以及天气工具持续不可用时应该如何向用户说明。重点不是多试几次，而是让停止条件可预测。