Yoo
← 返回
Agent Loop 深度调研 #1

Agent Loop 深度调研（一）：核心概念与设计原理

· AI 工程 #Agent Loop#Harness Engineering#ReAct#LLM Agent#架构设计

什么是 Agent Loop

Agent Loop（智能体循环）是当前 AI Agent 系统的核心执行引擎。它本质上是一个 while 循环：模型接收输入 → 决定是否调用工具 → 执行工具 → 将结果回传模型 → 模型再次判断 → 直到任务完成或触发终止条件。

这个循环看似简单，但围绕它构建的 基础设施（Harness） 才是区分玩具和生产系统的关键。VILA-Lab 的 Dive-into-Claude-Code 项目对 Claude Code 源码的分析揭示了一个惊人比例：98.4% 的代码是确定性基础设施，仅 1.6% 是 AI 推理逻辑。模型负责”想”，Harness 负责”做”。

用 LangChain 博客的总结来说：

“The model contains the intelligence and the harness makes that intelligence useful.”

理论根源：ReAct 模式

Agent Loop 的学术基础来自 2022 年的 ReAct 论文（Reasoning and Acting）。该论文提出了一个三阶段循环：

  1. Thought（思考）：模型分析当前状态，规划下一步行动
  2. Action（行动）：调用外部工具执行操作
  3. Observation（观察）：接收工具返回结果，作为下一轮思考的输入

现代 Agent Loop 将 ReAct 的 Thought/Action/Observation 循环封装为工程化的执行管道。不同框架的实现细节各异，但核心模式一致。

Harness Engineering：从 Prompt 到 Loop 的范式跃迁

2025 年下半年，业界出现了一个关键术语转向：Harness Engineering（脚手架工程）。OpenAI、Anthropic、Martin Fowler 等多方同时推动了这个概念。

三次范式演进

阶段核心方法关注点
Prompt Engineering精心设计单次提示词一次对话的输入质量
Context Engineering动态管理上下文窗口多轮对话的信息投喂
Loop Engineering构建完整的执行循环自主多步任务的全生命周期

Martin Fowler 在 Harness Engineering 一文中将脚手架定义为 前馈引导（feedforward guides）——不是限制模型行为，而是为模型提供执行框架。Anthropic 的 Building Effective Agents 则强调：

顶级部署避免使用重型库，偏好”简单、可组合的模式”。重型框架添加抽象层会”遮蔽底层提示词”，增加调试复杂度。

Harness 的五大核心组件

综合 awesome-harness-engineering 的梳理和各厂商文档，一个完整的 Agent Harness 包含：

1. 执行循环（Agent Loop） while 循环本体。控制何时调用模型、何时执行工具、何时终止。

2. 工具系统（Tool System） Agent 与外部世界交互的接口。包括函数工具、MCP 协议工具、Bash 执行等。Anthropic 在工具设计上有专门的指导文档 Writing Effective Tools for Agents。

3. 上下文管理（Context Management） 管理上下文窗口的有限资源。Anthropic 的 Effective Context Engineering 提出了三大策略：摘要压缩（Compaction）、外部笔记（External Note-Taking）、子代理委托（Sub-Agent Delegation）。

4. 安全与权限（Safety & Permissions） deny-first 的权限模型、沙箱执行、审批流。Claude Code 有七种权限模式，OpenAI Codex 有独立的审批协议。

5. 文件系统（Filesystem） LangChain 称其为”最基础的 Harness 原语”。用于卸载中间结果、跨会话持久化、多 Agent 协作的共享工作区。Microsoft 的 Azure SRE Agent 实践表明，基于文件系统的上下文管理优于专用工具。

Agent Loop 的九阶段管道

根据 Dive-into-Claude-Code 对 Claude Code 的源码分析，每一轮 Agent Loop 交互严格遵循九个阶段：

1. 解析配置（Resolve Configs）
2. 初始化状态（Init State）
3. 组装上下文（Assemble Context）— 从 9 个有序来源注入
4. 应用压缩整形器（Apply 5 Pre-model Shapers）
5. 调用模型（Call Model）
6. 分派工具（Dispatch Tools）
7. 权限门控（Permission Gate）
8. 执行工具（Execute Tools）
9. 评估终止条件（Evaluate Stop Conditions）

五个终止条件

循环在以下任一条件下结束：

  • 模型输出纯文本，无工具调用请求
  • 达到最大轮次限制
  • 上下文窗口溢出
  • 生命周期 Hook 干预
  • 外部显式中断

五级压缩策略

在每次调用模型前，系统依次执行五个压缩阶段（从最廉价到最昂贵）：

  1. Budget Reduction — 裁剪已知低价值内容
  2. Snipping — 截断过长工具输出
  3. Micro-compaction — 合并相邻的相似消息
  4. Context Collapsing — 折叠早期对话轮次
  5. Auto-compaction — 调用模型进行全量摘要（最后手段）

Anthropic 定义的五种工作流模式

Anthropic 在 Building Effective Agents 中区分了五种预定义工作流和一种自主模式：

预定义工作流（Structured Workflows）

Prompt Chaining（提示链） 任务被顺序拆分，“每次 LLM 调用处理前一次的输出”。适合固定子任务。

Routing（路由） 输入被分类后发送到专门处理器。不同类型查询使用不同 prompt。

Parallelization（并行化） 模型并发工作。两种方式：切片（独立子任务）和投票（多视角共识）。

Orchestrator-Workers（编排者-工人） 主模型动态拆分任务，分配给辅助模型，合并结果。

Evaluator-Optimizer（评估者-优化者） 一个模型生成，另一个评估，循环迭代。适合”迭代改进能提供可衡量价值”的场景。

自主 Agent（Autonomous Agent）

与结构化工作流不同，自主 Agent 动态管理自己的工具使用。它们需要环境中的”真实反馈”（如测试执行结果）来跟踪进度。因为独立运作，需要严格的护栏和沙箱测试以防止错误累积。

“Harness 成为差异化因素”

随着基础模型能力趋同，Dive-into-Claude-Code 的核心结论是：

“As models converge in capability, the harness becomes the differentiator.”

Meta 的 Ranking Engineer Agent 采用休眠-唤醒检查点机制（hibernate-and-wake checkpointing），Microsoft 的 Azure SRE Agent 用文件系统上下文取代专用工具提升了”意图满足”指标，GitHub Copilot 的 Coding Harness 围绕上下文组装做文章——这些都印证了同一个趋势：模型是引擎，Harness 是整车。

参考资料

一手资料（本次调研的核心来源）：