小节三:实现 inject_reminder()——Reminder 必须来自真实 State,而不是模型自己编一段鸡汤
讲实现之前,建议先把数据流看明白。这样你再往下读 inject_reminder() 伪代码时,会顺很多。 这张图把流程拆成了三步:先从真实 State / Context 中读取目标、已完成步骤、重复迹...
小节二:Reminder 里到底应该放什么——五个问题必须回答清楚
这一节是整章里最实用的一段。很多人写 Reminder,最大的问题不是不会写,而是写了一堆正确的废话。真正有效的 Reminder,通常绕不开下面这几个问题。回到前面的工作流思维导图可以看到,它们对...
小节一:为什么 Agent 会“跑偏”——不是忘了 Prompt,而是长 Run 中局部信息不断覆盖全局目标
很多人会说,“System Prompt 里不是已经写了目标吗?为什么还要 Reminder?” 因为,有一次写进去,不等于几十轮以后仍然保持同样注意力。 尤其 Agent 每一轮都在新增: Tool Result 日志 错误...
System Reminder:把跑偏的 Agent 拉回来
上一节,我们给 Agent 加上了真正意义上的“刹车”。 现在一次 Run 已经可以受到: MAX_STEPS Timeout Max Token Max Tool Calls Repeated Tool Call Repeated Error No Progress 这些资源边界...
章末自测
题目 1:为什么一个 while True 的 Agent Main Loop 容易陷入死循环? 请结合“局部动作合理、全局任务无进展”解释,并说明为什么不能完全依赖模型自己判断是否停止。 Agent 每一轮...
案例分析二:Data Analysis Agent 连续下钻 40 个维度,为什么“还可以再查”不等于“应该再查”?
数据分析场景也很容易出现类似问题。很多时候,Agent 已经顺着媒体、广告位、地区、设备等路径把问题定位得差不多了,但因为“还存在别的切分角度”,它就继续往下钻,最后把本来已经足够的证据...
案例分析一:Coding Agent 为什么连续 18 次 read → edit → pytest,却一直修不好?
接下来我们把抽象规则落到具体场景里。Coding Agent 最典型的失控方式,就是不断读取、修改、跑测试,看起来一直很忙,但结果没有任何实质变化。下面这张图,就是把这种“18 轮修不动同一个错误...
小节五:比 MAX_STEPS 更聪明的停止条件——重复 Tool、重复 Error、No Progress
有了硬预算之后,系统已经不会彻底失控了。但如果每次都非得等到第 30 步、第 300 秒或者第 50,000 Token 才停,那依然会浪费很多资源。所以更成熟的做法,是尽早识别出“虽然还没超预算,但已...
小节四:实现 RunGuard——把步数、时间、Token、Tool Calls 统一变成可检查的资源边界
前面讲的是“应该限制什么”,这一节开始进入“怎么落地”。一个比较顺手的做法,就是把各种预算边界和软停止信号统一交给 RunGuard 来检查。这样 Agent 本身只负责思考和行动,守卫器只负责...
小节三:只有 MAX_STEPS 还不够——Timeout、Max Token、Max Tool Calls 分别在限制什么
只靠步数上限,其实只能回答“还能再走几轮”,却回答不了“还能再等多久、还能再花多少上下文、还能再调多少工具”。所以真正可上线的 Agent,一定不是单一维度的预算控制,而是多维资源一起看...












