Agent Loop 深度剖析

1. 什么是 Agent Loop？

Agent Loop（智能体循环）是 AI Agent 系统的核心引擎，它使大语言模型（LLM）不再是一次性"输入-输出"的问答机器，而是变成一个能够感知环境、推理决策、执行行动、接收反馈并持续迭代的自主系统。

起源：Google ReAct 论文 (2022)

Agent Loop 的理论根基来自 Google Research 与普林斯顿大学在 2022 年发表的 ReAct（Reasoning + Acting） 论文。该论文首次系统性地提出：让 LLM 交替生成"推理轨迹"和"行动指令"，并从环境获取"观察结果"，形成一个闭环。

到 2025-2026 年，Anthropic、OpenAI、Google Cloud 等主流厂商发布的 Agent SDK 和架构指南，均将 Agent Loop 作为核心设计概念。如今，几乎每一个生产级 AI Agent 框架——LangChain、LangGraph、AutoGPT、CrewAI、Goose、CountBot、OpenManus——底层都运行着某种形式的 Agent Loop。[Agent Patterns Catalog]

2. ReAct 循环：推理 + 行动的交替范式

ReAct 是 Agent Loop 最经典、应用最广泛的实现范式。它让模型交替进行"推理（Reasoning）"和"行动（Acting）"，每次行动后观察结果，再基于新信息进行下一步推理。[JetBrains AI Agent Guide]

ReAct 三要素

ReAct vs 传统 Prompt 工作流

适用场景：调试排错、代码生成+测试+修复循环、多源数据聚合、仓库分析——任何需要"读取→决策→执行→验证"多步迭代的任务。

不适用：单次分类、模板生成、格式化——这些任务没有需要观察来改变结果的信息，引入 ReAct 只会增加延迟和成本。

3. Manus 的 Agent Loop：工业化设计示例

Manus 是 2025 年最受关注的通用 AI Agent 产品，其提示词泄露后揭示了清晰的 Agent Loop 设计：

# Manus Agent Loop 核心步骤
<agent_loop>
1. Analyze Events: 通过事件流了解用户需求和当前状态
2. Select Tools: 基于状态、任务规划、知识库选择工具
3. Wait for Execution: 沙盒环境执行工具，观察结果追加到事件流
4. Iterate: 每次迭代仅选一个工具，耐心重复至任务完成
5. Submit Results: 通过消息工具交付成果
6. Enter Standby: 进入空闲状态等待新任务
</agent_loop>

Manus 的设计特点：

• 事件流驱动：所有交互（用户消息、工具执行、计划更新、知识注入）统一为事件流，Agent 只需分析事件序列
• 单步迭代：每次只调用一个工具，确保每步都有观察反馈，避免盲目并发调用
• 模块化支撑：Planner（规划）、Knowledge（知识）、Datasource（数据源）模块通过事件流向 Loop 注入上下文

4. Goose Agent Loop：Rust 工程实现剖析

Goose 是 AAIF 主导的开源 AI Agent，使用 Rust 编写，被 Agent Patterns Catalog 列为 ReAct 范式的一等实现。[goose-docs.ai]

消息处理流程（简化）

// Goose Agent reply() 简化流程
pub async fn reply(session, messages) -> Stream {
    let mut conversation = session.conversation.clone();
    let tools = extension_manager.get_tools().await;

    loop {  // ← Agent Loop 核心
        // 1. 模型推理
        let stream = provider.complete(system_prompt, messages, tools).await;

        // 2. 流式处理响应
        while let Some(chunk) = stream.next().await {
            match chunk {
                Text(text) => yield text,       // 流式输出
                ToolUse(tool) => {
                    let result = execute_tool(tool).await;  // 执行工具
                    conversation.add_tool_result(result);      // 注入结果
                    // → 继续循环，模型基于新结果再推理
                }
                Done => break,
            }
        }
        if no_more_tool_calls { break; }
    }
}

关键工程特性

5. CountBot Agent Loop：Python 生产级实现

CountBot 是一个约 21K 行代码的生产级 Python AI Agent 框架，其 AgentLoop 类展示了 ReAct 范式在 Python 生态中的工程化落地。[CSDN CountBot 系列]

核心设计参数

class AgentLoop:
    def __init__(self,
        provider,              # LLM Provider 实例
        workspace: Path,       # 工作空间路径
        tools,                 # ToolRegistry 实例
        context_builder=None,  # 上下文构建器
        session_manager=None,  # 会话管理器
        subagent_manager=None, # 子代理管理器
        max_iterations=25,    # 🔒 安全阀：最大循环次数
        max_retries=3,       # LLM 调用重试次数
        retry_delay=1.0,     # 重试延迟（秒）
    )

分层错误处理

工具执行优雅降级

try:
    result = await tool.execute(**arguments)
except Exception as e:
    result = f"工具执行失败: {str(e)}"
# 无论成功失败，都将结果反馈给 LLM，让其自行决策
messages.append({"role": "tool", "content": result})

CountBot 核心特性

• 全链路流式：LLM 流式生成 → AgentLoop 流式 yield → WebSocket 流式推送，用户可实时看到响应
• 取消令牌：全局 _session_cancel_tokens 字典管理，用户可随时中断长时间运行的任务
• 依赖注入：所有依赖通过构造函数注入，便于单元测试和组件替换
• 上下文窗口管理：系统提示词（固定）+ 记忆摘要（压缩）+ 最近 N 条对话（滑动窗口）+ 当前消息

6. 三大子循环：Reasoning / Action / Feedback

现代 Agentic AI 的工作流程由三个有机集成的子循环构成：[Coursera AI Agents Course]

6.1 Reasoning Loop（推理循环）

核心方法：链式思维（Chain-of-Thought）——"先推理，后回答"。在每个循环开始时，Agent 盘点已知信息、缺口和下一步计划。

6.2 Action Loop（行动循环）

行动循环是 Agent 与外部世界交互的执行器。通过函数调用（Function Calling）和 MCP 协议，Agent 可以操作文件系统、调用 API、执行代码、查询数据库、控制浏览器等。

每次行动类型有不同风险等级：读文件低风险、运行 shell 命令中等风险、提交代码或部署高风险。因此生产环境中高风险行动需要审批门禁。

6.3 Feedback Loop（反馈循环）

反馈循环将行动结果作为新输入，建立因果关系。核心机制包括：

7. 架构设计模式全景

根据 Agent Patterns Catalog 的分类，Agent Loop 作为 Planning & Control Flow 类别中的成熟模式（★★ Mature），与多种模式形成组合关系：

选用指南

8. 生产环境最佳实践

Vibe Coding vs Agentic Engineering

🔟 条生产级 Agent Loop 实践原则

9. 项目应用案例：Agent Loop 在真实业务中

理论落地才见真章。以下精选 6 个 TKMind MindSpace 中真实运行的项目案例，展示 Agent Loop 模式在不同业务场景中的实际应用方式与工程价值。

案例总结：Loop 模式与业务场景映射

10. 对比总结与未来趋势

未来趋势

11. 参考资料

• ReAct: Synergizing Reasoning and Acting in Language Models — Google Research & Princeton, 2022
• Agent Patterns Catalog — ReAct Pattern — agentpatternscatalog.org
• ReAct Agents Explained — JetBrains AI Agent Guide — jetbrains.com
• Goose Architecture Documentation — block-goose.mintlify.app
• Manus AI 原理深度解析：Modules & Agent Loop — CSDN
• CountBot Agent Loop 深度剖析：ReAct 循环的工程实现 — CSDN
• 从零实现自己的 Agent：从 Agent Loop 到自进化智能体 — CSDN bitkevin
• Agentic Engineering 基础 — Panaversity AgentFactory
• Recursive Self-Improvement in AI — arXiv 2607.07663
• Anthropic: Building Effective Agents — Blog Post