Agent Loop：概念与历史演进

Agent Loop 是什么

Agent Loop（智能体循环）是 AI Agent 的核心工作机制。它让大语言模型从“只会聊天”变成“能干活”：通过“观察 -> 思考 -> 行动 -> 反馈”的循环，Agent 能够自主调用工具、获取信息、根据结果调整策略，并持续迭代直到完成任务。

一句话理解：Agent Loop = 把 LLM 的推理能力放进一个 while 循环里，让它可以反复思考和行动。

Agent Loop 的形式化定义可以写成：

agent_loop.py

# Agent Loop 的核心：一个 while 循环
while not termination_condition:
    # 1. 观察：获取当前环境状态
    observation = environment.perceive()

    # 2. 思考：LLM 推理下一步该做什么
    plan = llm.reason(observation, history=memory)

    # 3. 行动：执行工具调用
    result = tool_executor.run(plan)

    # 4. 反馈：将结果存入记忆
    memory.store(observation=observation, plan=plan, result=result)

    # 5. 检查终止条件
    if plan.is_final_answer() or max_steps_reached():
        break

核心价值

单次 LLM 调用只是在回答；Agent Loop 让 LLM 能基于工具结果和环境反馈继续行动，所以它开始具备“执行任务”的能力。

Loop Engineering 是什么

Loop Engineering（循环工程）描述的是：不再亲手给 AI 写一轮又一轮 Prompt，而是设计一个系统（Loop），让这个系统自动调度 AI Agent 去发现任务、执行任务、验证结果，直到目标达成。

它不是替代 Agent Loop，而是在 Agent Loop 之上增加自动化调度和控制。你仍然需要一个能干的 Agent；Loop Engineering 关注的是怎么让它自动、稳定、受控地运转起来。

旧模式是：

人 -> 写 Prompt -> LLM 回答 -> 人读结果 -> 不满意再写 Prompt -> ...

旧模式的问题：

• 每次都要人介入。
• 复杂多步骤任务需要人手动拆解。
• 人无法 24 小时盯着。
• 上下文窗口有限，长对话会丢失早期目标。

新模式是：

人 -> 设计 Loop（目标 + 触发条件 + 验证标准 + 退出条件）
     -> Loop 自动发现任务
     -> 调度 Agent 执行
     -> 自动验证结果
     -> 通过：记录并继续下一个
     -> 不通过：修正重试或升级给人类

历史演进

Loop Engineering 不是先有概念、再去找技术实现，而是 Agent 能力逐步成熟之后，被总结出来的一套工程方法。它的演进主线可以这样理解：先让 AI 能“边想边做”，再让它稳定调用工具，然后让它可以多轮循环，最后用规则、验证和退出条件把循环管控起来。下面的时间节点不用死记，重点看每一步补齐了哪块能力。

1. 2022 左右：ReAct 让 AI 学会“边想边做”

   早期的大模型主要是回答问题。ReAct 的关键变化是把“思考”和“行动”串起来：先想下一步，再调用工具，拿到结果后继续想。也就是 Thought -> Action -> Observation 这种循环雏形。

2. 2023 左右：AutoGPT / BabyAGI 尝试让 Agent 自己拆任务

   这类项目让 Agent 自己拆目标、排任务、执行任务，把“自主循环”推到了大家面前。但问题也很明显：Agent 很容易一直忙，却没有真正推进结果，也就是常说的空转。

3. 2023-2024：工具调用标准化，Agent 开始能稳定使用外部能力

   工具调用标准化之后，模型不再只是“说我要查一下”，而是能用更稳定的参数格式告诉系统“该调用哪个工具、传什么参数”。框架再负责执行工具、回填结果、处理重试，Agent 的执行链路开始可靠起来。

4. 2024-2025：MCP、记忆和 Skills 补齐 Agent 的工作环境

   只会调用工具还不够，Agent 还需要连接真实系统、保存状态、复用技能、隔离工作空间。MCP、记忆、Skills、沙盒这些能力补齐后，Agent 才更像一个能长期工作的执行单元。

5. 2025 左右：Ralph Loop 证明简单循环也能持续修正

   它的启发很直接：哪怕只是一个简单的 while true，只要每一轮都能读取上一次的错误、测试结果和文件状态，Agent 就可以不断修正。单次失败不可怕，关键是失败信息要能进入下一轮。

6. 2025-2026：Maker-Checker 把“执行”和“验收”分开

   让一个 Agent 又干活又判断自己是否完成，风险很高。更稳的方式是 Maker 负责执行，Checker 负责独立检查，而且 Checker 尽量只读。核心原则是：干活的人不能给自己打分。

7. 2026 左右：Loop Engineering 把循环变成工程方法

   到这一步，重点不再是“让 Agent 多跑几轮”，而是系统化设计整个循环：什么时候启动、带什么上下文、能用什么工具、怎么验收、失败怎么重试、什么时候退出。

Prompt 到 Loop

看完时间线，再回到这件事的本质：为什么只会写 Prompt 还不够，最后一定会走到 Loop？

可以先抓住一句话：Prompt Engineering 更像手动推进一轮任务，Loop Engineering 是把多轮任务做成可自动运行的系统。 它不是说 Prompt 没用了，而是 Prompt 从“人手写的一次指令”，变成了 Loop 系统里会被反复生成、调用、调整的一个组件。

一句话理解

Prompt 解决“一次怎么问”，Loop 解决“任务怎么持续跑完”。

Prompt Engineering 的旧模式，本质是“人机单轮交互”：人写 Prompt，Agent 执行一次，人读结果判断好坏，然后再写下一轮 Prompt。它适合信息查询、文案润色、单段代码生成，但面对“每天处理几百个订单、自动分类、自动退款、异常自动升级”这类持续任务时，就会暴露出三个问题。

人要一直盯着

每轮 Agent 执行结束后，都要人判断结果、启动下一轮。Agent 处理 100 个任务，人就要看 100 次，吞吐量被人的注意力上限卡住。

对话越长越容易跑偏

复杂任务可能要跑几十轮，越往后 Agent 越容易忘记最初目标，出现目标漂移。只靠 Prompt，很难把关键状态稳定保存到对话之外。

自己验自己不靠谱

同一个 Agent 既干活又判断“干完了没”，很容易自信地认可自己的产出。更稳的方式是让独立 Checker 重新验收。

这三个问题指向同一个结论：让人在每一轮都介入的“手动模式”，无法支撑 Agent 的规模化使用。 必须把任务做成自动循环，让 Agent 自己推进，人只在异常、不确定或高风险时介入。

对比维度	Prompt Engineering	Loop Engineering
工作方式	人写 Prompt，Agent 执行一次，人看结果再写	人设计 Loop，Loop 自动发现任务、调度 Agent、验证并循环
人的角色	每轮都要手动交互	设定目标、约束和退出条件，然后监控结果
Agent 角色	一次性工具	持续运行的数字员工
典型形态	ChatGPT 对话框、API 单次调用	Claude Code /loop、Codex 的持续执行任务、Agent 系统里的 Loop 循环

关键区别

Prompt Engineering 的重点是“怎么把一次问题问清楚”；Loop Engineering 的重点是“怎么设计一个系统，让系统持续提出正确的问题、调用正确工具，并验证结果”。

三根支柱

Loop Engineering 到 2026 年才真正爆发，不是之前没人想做，而是之前三个条件没同时成熟。Loop 要跑起来，至少需要三根支柱。

MCP 协议

MCP 解决的是“Agent 怎么稳定连接外部系统”。过去接 GitHub、Slack、数据库、Jira 往往要各写各的连接器，组合一多就很难维护。MCP 像一套统一插口，让 Agent 更容易连接工具和业务系统。

上下文与记忆

Loop 要持续运行，就必须既“跑得起”，也“记得住”。Prompt Caching 降低重复上下文成本，工作记忆、短期记忆、长期记忆把当前任务、跨轮状态和长期规则分开保存。

Maker-Checker

自主运行最大的风险不是做不完，而是做错了没人发现。Maker 负责执行，Checker 负责独立检查，并且尽量只读、独立上下文、按客观条件验收。

延伸阅读

记忆三层架构的细节放在 五大构建块：记忆 / 状态 中，这里只需要先记住：Loop 要持续运行，就必须把当前上下文、跨轮状态和长期规则分开管理。

三根支柱缺一不可：没有 MCP，Agent 还是很难稳定连接真实系统；没有上下文和记忆管理，Loop 跑久了就会贵、会忘、会乱；没有 Maker-Checker，自主运行就容易变成“做错了也没人发现”。

工程范式关系

Prompt 没有消失，只是从“人手写的一次指令”，变成 Loop 系统里的一个组件。Prompt 仍然会存在，但更多由循环系统根据任务、上下文和工具结果自动生成、调试和使用。

范式	解决的问题	在 Loop 中的位置
Prompt Engineering	让 AI 理解你的问题	每次 Agent 执行时仍会用到
Context Engineering	让 AI 知道当前有哪些信息	提供对话历史、目标、代码、工具结果
Harness Engineering	让 AI 安全、规范地运行	提供规则、隔离、Skills、权限边界
Loop Engineering	让 AI 持续完成目标	负责发现目标、执行、检查、修正、结束

关系理解

Loop 是持续推进业务目标的入口，Harness 是支撑 Agent 安全执行的工程底座。

范式已定：从写 Prompt 到写 Loop

这一节的重点不是说 Prompt 不重要了，而是说人和 Agent 的协作入口变了。

过去的核心动作是“人写 Prompt”：人把问题描述清楚，Agent 执行一轮，人再根据结果继续追问或修正。现在的核心动作正在变成“人写 Loop”：人把目标、触发、上下文、工具权限、验证标准和退出条件设计好，让 Loop 在运行过程中持续调度 Agent。

一句话理解

以前是人一轮轮提示 Agent，现在是人设计一个会提示 Agent、调度 Agent、检查 Agent 的循环系统。

这个范式基本确定下来，是因为 Agent 已经不只是“回答问题”的模型，而是开始具备持续工作的工程条件：

工具能稳定连接

Tool、API、MCP 让 Agent 能接入真实系统，不只是停留在对话框里生成建议。

上下文能持续管理

记忆、状态、摘要、缓存让长时间任务不必完全依赖单次对话窗口。

结果能独立验证

Maker-Checker 把执行和验收拆开，避免 Agent 自己做完又自己说“完成了”。

所以工程师的新重点，不再只是把一个 Prompt 写得更漂亮，而是把任务运行过程设计清楚：

过去更关注	现在更关注
这句话怎么问 AI？	这个任务什么时候启动？
Prompt 怎么写得更完整？	需要哪些上下文和工具？
Agent 这一轮回答得好不好？	结果由谁验证，失败怎么重试？
人怎么继续追问？	Loop 什么时候退出，什么时候升级给人？

这也是“从写 Prompt 到写 Loop”的真正含义：Prompt 变成 Loop 中的一环，Loop 变成工程师控制 Agent 持续工作的外层系统。

开发者的新角色

工程师的核心技能会从“怎么问 AI 一个好问题”，转向“怎么设计一个系统，让系统持续问对问题、做对事情、验收结果”。详细的角色变化放在 设计与风险 中，这里只记住三件事：设计循环、训练系统、验证产出。

速记

Prompt 是入口，Context 是信息，Harness 是底座，Loop 是持续完成目标的运行机制。