Agent S01-Loop

约 868 字大约 3 分钟

Agent

2026-03-31

"One loop & Bash is all you need" -- 一个工具 + 一个循环 = 一个智能体。

问题

大模型可以帮你推理代码，但是它不能帮你直接跑测试，生成文件，每一次工具的调用实际上都是你手动把结果粘贴回大模型，在这其中你自己粘贴回去的过程就是循环，如果没有一层代码在中间反复做这件事，那大模型只能是一个“会说话的程序”，而不是一个“会干活的 Agent” 所以核心目标只有一个： 把“模型 + 工具”连接成一个能持续推进任务的主循环

关键数据结构

1. Message

在最小教学版，可以暂时将消息理解为

{"role": "user", "content": "..."}
{"role": "assistant", "content": [...]}

消息历史不是聊天记录展示层，而是模型下一轮要读的工作上下文

2. Tool Result Block

当工具执行完后，我们要把它包装回消息流

{
    "type": "tool_result",
    "tool_use_id": "...",
    "content": "...",
}

tool_use_id的作用就是 告诉模型“这条结果对应的是你刚才哪一次工具调用”

3. LoopState

在 Agent 开发里，不要只使用零散的局部变量，否则在后期维护时将是地狱难度
最小也应该是显示收拢出一个循环状态

state = {
    "messages": [...],
    "turn_count": 1,
    "transition_reason": None,
}

这里的 transition_reason 先只需要理解成：

这一轮结束后，为什么要继续下一轮

最小教学版只用一种原因就够了：

"tool_result"

也就是：

因为刚执行完工具，所以要继续

解决方案

+--------+      +-------+      +---------+
|  User  | ---> |  LLM  | ---> |  Tool   |
| prompt |      |       |      | execute |
+--------+      +---+---+      +----+----+
                    ^                |
                    |   tool_result  |
                    +----------------+
                    (loop until stop_reason != "tool_use")
                    
                    
while stop_reason == "tool_use":
	response = LLM(messages, tools)
	execute tools
	append results
	
This is the core loop: feed tool results back to the model
until the model decides to stop. Production agents layer
policy, hooks, and lifecycle controls on top.

最小实现

第一步：准备初始消息 用户的请求首先进入 message

messages = [{"role": "user", "content": query}]

第二步：调用模型 把消息历史、system prompt 和工具定义一起发给模型：

response = client.messages.create(
    model=MODEL,
    system=SYSTEM,
    messages=messages,
    tools=TOOLS,
    max_tokens=8000,
)

第三步：追加 assistant 回复

messages.append({"role": "assistant", "content": response.content})

这一步非常重要很多初学者会只关心“最后有没有答案”，忽略把 assistant 回复本身写回历史。
这样一来，下一轮上下文就会断掉 第四步：如果模型调用了工具，就执行

results = []
for block in response.content:
    if block.type == "tool_use":
        output = run_bash(block.input["command"])
        results.append({
            "type": "tool_result",
            "tool_use_id": block.id,
            "content": output,
        })

第五步：把工具结果作为新消息写回去

messages.append({"role": "user", "content": results})

然后下一轮重新发给模型

完整的实现如下 最小 agent loop：

def agent_loop(state):
    while True:
        response = client.messages.create(
            model=MODEL,
            system=SYSTEM,
            messages=state["messages"],
            tools=TOOLS,
            max_tokens=8000,
        )

        state["messages"].append({
            "role": "assistant",
            "content": response.content,
        })

        if response.stop_reason != "tool_use":
            state["transition_reason"] = None
            return

        results = []
        for block in response.content:
            if block.type == "tool_use":
                output = run_tool(block)
                results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": output,
                })

        state["messages"].append({"role": "user", "content": results})
        state["turn_count"] += 1
        state["transition_reason"] = "tool_result"

旧版本：

def agent_loop(query):
  # 用户 prompt 作为第一条消息 
    messages = [{"role": "user", "content": query}]
    while True:
  # 将消息和工具定义一起发给 LLM 
        response = client.messages.create(
            model=MODEL, system=SYSTEM, messages=messages,
            tools=TOOLS, max_tokens=8000,
        )
  # 追加助手响应。检查 stop_reason -- 如果模型没有调用工具，则结束
        messages.append({"role": "assistant", "content": response.content})

        if response.stop_reason != "tool_use":
            return
  # 执行每个工具调用，收集结果，作为 user 消息追加，回到第 2 步
        results = []
        for block in response.content:
            if block.type == "tool_use":
                output = run_bash(block.input["command"])
                results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": output,
                })
        messages.append({"role": "user", "content": results})