一文读懂 AI Agent 中“Loop”（循环）的概念

文章由 Anthropic 的 Claude Code 团队提出，旨在清晰地解释 AI Agent 中“Loop”（循环）的概念。文章指出，设计 Loop 的核心在于让 Agent 重复执行任务，直到满足特定停止条件，这比单纯编写 Prompt 更能实现复杂和自动化的工作流。

文章将 Loop 分为四种递进的类型，代表了人类将控制权逐步移交给 Agent 的过程：

🔄 四种 Loop 类型

1. 对话式 Loop (Turn-based Loop)
   • 触发方式：由用户通过每一轮对话手动发起。
   • 特点：这是最基础的 Loop，用户检查 Agent 的产出，然后决定是否继续。非常适合探索性、非固定流程的任务。
   • 优化：可以将重复的检查步骤固化为“Skill”或验收标准，让 Agent 先自我检查，减少人工干预。
2. 目标式 Loop (Goal-based Loop)
   • 触发方式：用户设定一个明确、可验证的目标。
   • 特点：Agent 会持续工作，直到达成预设的成功标准（如“Lighthouse 分数达到 90”）或达到最大尝试轮次。这解决了 Agent 不知道何时停止的问题。
3. 定时式 Loop (Time-based Loop)
   • 触发方式：按照固定的时间间隔自动触发。
   • 特点：适用于周期性、需要观察外部环境变化的任务，例如定时检查 CI 状态或汇总每日新闻。文章建议，在可能的情况下，使用事件触发比定时轮询更高效。
4. 流水线 Loop (Proactive Loop)
   • 触发方式：由事件或计划触发，无需实时人工参与。
   • 特点：这是最高级的自动化形式，将一整套工作流连接起来。Agent 会自主处理从接收任务到完成的全过程，仅在遇到高风险或无法决策的情况时才交还给人。适合处理源源不断的、流程相对固定的任务，如缺陷报告、客户反馈分拣等。

🛡️ Loop 的质量与成本控制

• 保证质量：Loop 会放大系统原有的问题。因此，需要一个干净的代码库、清晰的文档，并确保 Agent 能够验证自己的工作成果。引入第二个 Agent 进行 Review 也是一个有效方法。
• 控制成本：Loop 容易因目标模糊而无限消耗 Token。必须为 Loop 设定明确的边界，如最大运行轮数、成本上限，并分层使用不同能力的模型来处理不同复杂度的任务，避免“Token 粉碎机”的出现。