小节二:Reason、Action、Observation——Agent 的三段式闭环到底在发生什么?
现在我们把 Main Loop 拆成三个最重要的阶段。 Reason ↓ Action ↓ Observation ↓ Reason 把三段职责拆开后,信息在循环里的流向会直观得多:Reason 负责选择,Action 负责把意图结构化,Obse...
小节三:为什么 Agent 能连续完成多步任务——关键不是“规划能力”,而是反馈驱动
很多人第一次看 Agent 会觉得,“是不是因为现在大模型特别会规划,所以才能连续做几十步?” 规划能力当然有帮助。 但 Main Loop 更基础。 即使模型没有先生成完整计划,只要它能做到: 看当前...
小节四:Main Loop 真正难的地方——什么时候继续,什么时候停止,什么时候承认失败?
如果你只看最小代码: while True: response = llm.chat(messages) ... 很容易觉得 Main Loop 很简单。 真正做项目以后,你会发现,“循环”本身简单,控制循环 才难。 至少要回答四个问题...
案例分析一:从“文件不存在”到找到真实入口——Main Loop 如何让 Agent 自己改路径?
场景背景 假设我们要做 Coding Agent 的一个最小能力,找到 Python 项目的入口文件。 最开始模型根据常见经验认为入口是: app.py 如果这是固定 Workflow: read app.py ↓ 运行 app.py ↓ 结束...
案例分析二:收入下降分析——为什么单次 SQL 不够,Main Loop 才能真正做“下钻”?
场景背景 业务问,“为什么昨天收入下降了?” 普通 Text-to-SQL 可能只执行一条: 查询昨天与前天总收入 得到: 昨天:80 万 前天:100 万 这只能回答,“确实下降了 20%。” 并没有解释为什么...
章末自测
题目 1:为什么普通一次 LLM 调用无法天然完成多步环境交互? 假设用户说“帮我找到项目入口文件并读取内容”,模型第一次调用时还不知道目录结构。请解释为什么一次 LLM 调用通常无法完成整个...
Agent State:一个 Agent 到底需要记录什么?
上一节我们已经把 Agent 最核心的 Main Loop 写出来了。你应该已经能看懂这样一个结构: while True: response = llm.chat(messages) if response.tool_call: result = execute_tool(response.t...
小节一:State 到底是什么——它不是“聊天记录”,而是 Agent 当前运行事实的集合
我们先从一个最容易误解的地方开始。 很多人会说,“Agent 不是已经有 messages 了吗?这不就是状态?” 不完全是。 messages 是 State 的一部分,但它不是全部。 聊天记录主要...
小节二:状态流转——READY、THINKING、TOOL_CALLING 到底为什么要显式设计?
State 不只是“有哪些字段”。 更重要的是,这些状态之间怎么流转。 在继续列状态前,我们先区分两个层次: Run 生命周期:任务整体是否还在运行 步骤阶段:这一轮正在请求模型、执行工具,还是...
小节三:把 State 真正接进 Main Loop——Agent = Loop + State 到底怎么落到代码里?
现在我们把前两节合起来。 上一节是 Loop。 这一节是 State。 真正的 Agent 结构应该是: Loop 推进 State State 约束 Loop 这句话很关键。 不是 Loop 单方面使用 State。 而是两者互相影响。 ...













