智能体循环

几乎所有 AI 智能体底层用的都是同一套基本机制：先看看当前是什么情况，决定要采取什么动作，通过工具真正去执行这个动作，然后再看看这个动作造成了什么结果——再决定下一步该做什么。这个不断重复的周期就是『智能体循环』，正是它把一个『自己只会吐文字』的语言模型，变成了能真正完成多步骤任务的东西。

这个循环一般会一直跑到满足以下几种情况之一才停：目标看起来已经达成了、碰到了步数或时间上限、智能体判断自己卡住了需要找人帮忙，或者被人手动打断。每一轮都会重新读取当前状态，而不是死板地照着预先写好的脚本走，这正是智能体能在工具调用失败、返回了意外数据、或者发现原计划得改的时候，及时调整的原因。

这个循环是本站大多数其他词条背后的机制：planning（任务规划）说的是『决定下一步动作』这一环节本身可以再拆成更细的子步骤；reflection-self-correction（自我反思与自我纠错）说的是有些循环会在真正执行动作之前，多加一道评估环节；react-prompting（ReAct）说的是一种在循环中组织模型自身推理过程的知名具体方法。

怎么运作

典型的一轮循环包含图中这四步：感知——读取当前状态，可能是一个文件的内容、一次接口调用的响应，或者上一条命令的输出；规划——结合这个状态和整体目标，决定下一步做什么（这可以只是一个简单判断，也可以是 planning 里说的更细致的多步骤过程）；行动——真正调用工具、运行命令，或者做一次编辑，把这个决定落实下去；观察——读回发生了什么，包括出错信息，再把这个结果喂给下一轮的感知步骤。

让它成为一个『循环』而不是一次性流水线的关键在于：每一轮的观察结果会变成下一轮的起点。如果行动这一步执行的测试失败了，下一轮的感知步骤就会看到这个失败，规划步骤就能决定去修它，而不是傻乎乎地继续往下走。循环会在成功时结束，在触发系统设定的上限时结束（最多多少步、最长多久、最多花多少），或者在智能体判断自己需要找人帮忙时结束——具体这种『交给人』的设计一般怎么做，见 human-in-the-loop。

举个例子

一个修复构建失败的智能体，其循环可能是：感知（读取 CI 的失败日志）、规划（判断是某个依赖版本过旧导致测试失败）、行动（改依赖版本，重新跑测试）、观察（看到测试通过了）——到这里因为目标条件满足，循环结束。如果测试因为别的原因又失败了，下一轮的感知步骤就会捕捉到这一点，循环继续。

和相关概念的区别

常见误解

常见问题