Tager: Agent Loop

2026-07-07   1542 words   ~4 mins
Table of Contents

Tager: Agent Loop

sequenceDiagram participant U as 用户 participant H as Harness participant S as 状态/记忆 participant M as 模型 participant T as 工具运行时 participant A as 人工审批 U->>H: 新任务/新回合 H->>S: 读取会话、摘要、检查点、长期记忆 H->>M: 指令 + 近期消息 + 选中的工具 + 状态摘要 alt 模型请求工具/委派 M-->>H: tool_call / handoff / plan H->>A: 高风险动作是否审批 alt 批准 H->>T: 执行工具 T-->>H: bounded tool_result H->>S: 追加结果/摘要/trace H->>M: 继续同一 run else 拒绝或待定 H->>S: 保存 interruption / paused state H-->>U: 等待人工继续 end else 模型返回最终答案 M-->>H: final_output H->>S: 持久化结果/轨迹 H-->>U: 交付结果 end
flowchart TD A[稳定指令与策略] --> G[上下文打包器] B[近期消息与最近工具结果] --> G C[会话摘要 / compaction block] --> G D[长期记忆 / 检索结果 / 文件引用] --> G E[精简后的工具定义] --> G F[当前环境快照
任务状态/待办/审批状态] --> G G --> H{是否接近 token / 时间 / 成本上限?} H -- 否 --> I[发送给模型] H -- 是 --> J[摘要旧历史 / 清理旧 tool uses / 有界化输出] J --> I I --> K{模型要工具还是要结束?} K -- 工具 --> L[执行工具并限制输出] L --> M[写入状态/检查点/trace] M --> G K -- 结束 --> N[返回最终结果]

  1. Loop 内的操作

  • 生命周期管理： 核心的 Loop 不仅仅是调工具，而是涵盖了“构造上下文 → 调用模型 → 执行工具 → 更新状态 → 继续或结束”的完整闭环
  • 工具结果的工件化 (Artifactization)： 把原始的大型工具输出直接追加到历史记录中是早期的做法 。如今的主流做法是对结果进行边界控制（bounded tool_result）并工件化 。例如，Google ADK 明确规定大文件应进入 Artifacts 而不塞进 session.state ；Anthropic 引入了可引用的文档（citable documents）和工具结果清理（tool result clearing） 。
  • 检查点与状态写入： 在每次迭代执行工具或触发暂停前，系统都会落盘 trace 并保存当前状态（save_checkpoint），确保长任务可恢复、可审计。

  1. Loop 的截止条件

  • 从单一阈值到三层防线：

    • 语义层停止： 由模型自身的推理决定。例如 Anthropic 模型会返回 stop_reason​ 为 tool_use​（请求工具）或 end_turn（完成回答）
    • 系统层边界： 防止死循环的硬性约束。包括 Anthropic 的 pause_turn​ 或 model_context_window_exceeded​ ；OpenAI 的 max-turn failures ；Pydantic AI 的 UsageLimits（限制请求数、token 或工具调用次数）
    • 治理与安全层： 当遇到高风险动作（如写入数据库、转账、发送邮件）时，系统会触发人类审批（human approval）或中断（interrupt） 。在现代架构中，“暂停（Paused）”不再被视为异常，而是运行时的一等分支 。

  1. Loop 的内部变量

  • 工作层与压缩层状态： 内部变量主要由近期的消息历史、临时工作状态和会话摘要组成 。当上下文逼近阈值时，旧的消息和陈旧的工具输出会被转换为压缩摘要（compaction block） 。

  • 思维轨迹 (Thinking/Reasoning)： * Anthropic 暴露了显式的 thinking blocks。在工具调用循环中，与工具请求对应的 thinking block 必须原样带回，否则会因签名校验失败而报错；但前序的思维块会被自动从计算中剥离以节省空间 。

    • OpenAI 则更倾向于隐藏原始的 CoT（思维链），通过返回 reasoning summaries​（可见摘要）或通过 encrypted reasoning items（加密推理项）在不暴露明文的前提下维持多轮的推理连续性 。

  1. Loop 的外部变量

  • 外置化上下文的崛起： 为了解决单一窗口的容量和注意力瓶颈，越来越多系统将上下文“外部化” 。外部变量构成了 Loop 的外部层 。
  • 多环境与连接器： Manus 的架构提供了一个典型的分布式 Harness 范例 。它的外部变量包括云端沙箱工作区、通过 Google Drive Connector 实时挂载的外部知识库文件夹、以及通过 Browser Operator 桥接的已登录本地浏览器会话 。
  • 按需获取机制： 这种设计的核心思想是：不是让一个模型在 prompt 中记住所有东西，而是让 Agent 能够在需要时，动态地去外部文件系统、数据库或并行子代理那里获取最新的上下文 。
← prev next →