AI Architecture

Agentic
Loop

让 LLM 从「回答问题」进化为「完成任务」的核心运行机制

// 核心循环结构
👁
Observe
感知环境
读取工具返回
→
🧠
Think
LLM 推理
规划下一步
→
⚡
Act
调用工具
执行操作
→
✓
Evaluate
判断完成
或继续循环
 ↺  未完成则反馈结果，进入下一轮迭代 
// 核心差异

与传统 LLM 的区别

# 传统 LLM —— 一次性推理
输入 → [LLM 单次推理] → 输出
 
# Agentic Loop —— 多步迭代执行
输入
  → [Think] → [Act: web_search] → Observe 结果
  → [Think] → [Act: write_file] → Observe 结果
  → [Think] → 任务完成 → 输出
// 组成要素

四个核心组件

🧠
LLM 大脑
负责推理与决策。每轮读取完整上下文，判断下一步行动或终止循环。
🔧
Tools 工具集
Web 搜索、代码执行、文件读写、API 调用、数据库查询……LLM 通过工具与外部世界交互。
💾
Memory 记忆
上下文窗口作为短期记忆；外部向量数据库或文件系统提供长期记忆。
🛑
终止条件
任务完成、达到最大步数、用户中断或遇到不可恢复错误时退出循环。
// 执行示例

ReAct 模式实例

任务：「帮我查一下北京今天的天气」

Step 1
Thought : 我需要查询北京当前天气
Action : get_weather({ city: "Beijing" })
Observe : { temp: 12, condition: "晴", wind: "东北风3级" }
 
Step 2
Thought : 已获取信息，可以回答用户了
Output : 北京今天晴天，12°C，东北风3级 ✓
// 注意事项

主要挑战

📈
Context 膨胀
每轮循环上下文持续增长，消耗大量 Token，成本与延迟随之上升。
🔗
错误累积
早期步骤的错误会被带入后续，在长链路中被放大，导致最终结果偏差。
♾️
无限循环风险
缺乏有效终止条件时，Agent 可能陷入死循环，需要设置最大步数限制。
🔒
权限与安全
应遵循最小权限原则，关键操作前保持 Human-in-the-loop，优先选择可逆操作。

Agentic Loop 是让 AI 具备自主完成复杂任务能力的核心机制—— 通过反复的思考 → 行动 → 观察迭代， 使 LLM 能够处理需要多步骤、调用外部工具、与真实世界交互的任务。