主题
循环工程（Loop Engineering）
循环工程（Loop Engineering）是大模型工程第四代 Agent 体系的核心，研究如何通过**多步反馈循环（Loop）**让 LLM 不断自我修正、逼近目标，而非"一问一答"式单次输出。它是 Agent 自主决策能力的引擎，也是 Graph 中每个可执行节点的"思维内核"。
核心不是让模型一次答好，而是设计"观察→决策→行动→反馈"的闭环，让模型在迭代中自我纠错。
为什么需要 Loop Engineering
第一代到第三代都是"一次性"的：Prompt 进去，答案出来，结束。但现实任务很少能一步到位：
传统方式：用户提问 → LLM 回答 → 结束
问题：回答可能是错的、不完整的、没有验证过的
Loop 方式：
用户提问 → LLM 尝试 → 验证 → 失败 → LLM 改进 → 再验证 → 成功在五代演进中，Loop 是 Agent 区别于 Workflow 的本质特征——Workflow 是 A → B → C（一条线，无回头），而 Loop 允许"回到上一环重新来过"，引入真正的反馈。
Prompt → Prompt Chain → Workflow → Loop → Graph
对应系统进化：输入 → 流程 → 状态 → 反馈 → 自治与已有工程层的关系
Graph Engineering（图工程） ← 用图编排多个 Loop / Workflow ◀ 包容 Loop
Loop Engineering（循环工程） ← 多步反馈循环、终止条件 ◀ 本文
Harness Engineering（承载管控） ← 执行、验证、安全边界
Context Engineering（上下文工程） ← 信息输入、上下文管理
Prompt Engineering（提示工程） ← 单次输入优化Loop 是 Graph 的"基本单元"：Graph 用节点和边组织多个 Loop；一个 Loop 内部靠 Harness 执行动作、靠 Context 裁剪每步信息、靠 Prompt 驱动单步思考。没有成熟的 Loop 设计，Graph 只会是一张失控的网。
核心要素
| 要素 | 说明 |
|---|---|
| 循环体 | 每轮要执行的逻辑（思考 + 行动） |
| 反馈信号 | 用于判断"是否达成目标"的结果（测试/评分/校验） |
| 终止条件 | 成功 / 失败上限 / 步数上限，避免死循环 |
| 状态传递 | 每轮把历史上下文带入下一轮 |
| 自我修正 | 根据反馈重写上一步的输出 |
核心模式
1. 自我修正循环（Self-Correction Loop）
最基础的 Loop 模式：
┌─────────────────────────────────────┐
│ │
▼ │
生成 → 自我评估 → 发现问题 → 重写 → ──┘
│
无问题 → 输出python
def self_correction_loop(task, max_iter=3):
for i in range(max_iter):
# 1. 生成
output = llm(f"完成任务：{task}")
# 2. 自我评估（关键 Loop 环节）
critique = llm(f"检查以下输出有无问题：{output}")
# 3. 判断是否需要修正
if "无问题" in critique:
return output # 终止条件命中
# 4. 重写（带着反馈进入下一轮）
task = f"之前的输出有这些问题：{critique}，请修正：{task}"
return output2. ReAct 循环（推理 + 行动）
Agent 最常用的 Loop 模式：
Thought（想）：我需要查一下用户余额
Action（做）：调用 get_balance 工具
Observation（看）：余额是 100 元
Thought：够了，可以下单
Action：调用 create_order
...python
# ReAct 循环的核心结构
def react_loop(question, max_steps=10):
trajectory = []
for step in range(max_steps):
# 模型思考 + 决定动作
thought_action = llm(
f"问题：{question}\n历史：{trajectory}\n下一步？"
)
# 解析 Thought 和 Action
action = parse_action(thought_action)
if action.type == "Final Answer":
return action.value # 终止
# 执行动作（交给 Harness 层）
obs = execute_tool(action)
# 观察结果进入下一轮
trajectory.append(f"{thought_action}\nObservation: {obs}")
return "超出步数限制"3. 反思循环（Reflexion）
在自我修正基础上，增加"长期记忆"：
生成 → 执行 → 失败 → 反思（总结错误模式）→ 改进 → 再执行
↑
错误经验会记住，下次避免python
class ReflexionAgent:
def __init__(self):
self.memory = [] # 长期记忆：错误经验
def run(self, task):
for episode in range(5):
# 带着历史错误经验执行
result = self.act(task, self.memory)
if result.success:
return result
# 反思：这轮为什么失败？
lesson = llm(f"任务失败：{result.error}，总结教训")
self.memory.append(lesson) # 写入长期记忆终止条件设计
Loop 最危险的问题是停不下来，必须设计明确的终止条件：
python
def safe_loop(task, max_iter=5, max_tokens=10000):
for i in range(max_iter): # 步数上限
if budget_exceeded(max_tokens): # Token 预算
break
output = llm(task)
if is_done(output): # 目标达成
return output
return fallback() # 兜底返回| 终止条件 | 说明 |
|---|---|
| 目标达成 | 验证通过 / 评分达标 |
| 步数上限 | 超过 N 步强制停止 |
| Token 预算 | 成本/长度超限停止 |
| 错误上限 | 连续失败 N 次停止 |
| 超时 | 超过时间限制停止 |
实际案例
Case 1：AI 编程 Agent
用户：给项目加用户认证
Loop：
1. 生成认证代码
2. 运行测试 → 失败（密码未加密）
3. 根据测试错误重写代码（加入 BCrypt）
4. 再运行测试 → 通过
5. 输出最终代码Case 2：文章优化 Agent
Loop：
1. 写初稿
2. 自评（逻辑是否清晰？有无错别字？）
3. 发现 3 个问题 → 修正
4. 再评 → 通过
5. 输出终稿设计原则
- 必须有终止条件：步数、Token、错误上限三者至少设其一，严防死循环。
- 反馈信号要真实：不要靠模型"自检"就放行，关键结果交给 Harness 真正执行验证。
- 状态要节流：每轮带入全部历史会撑爆窗口，用 Context Engineering 裁剪。
- 失败要可观测：每轮的输入输出落日志，便于事后复盘为什么卡住。
- Loop 是 Graph 的细胞：先打磨好单个 Loop，再考虑用 Graph 编排多个 Loop。