我们的智能体陷入了 4 分钟的无限循环。
这是它的运行方式：
for i in range(10000):
result = agent.query_database("找出所有收入大于 100 万的用户")
for user in result:
send_email_campaign(user)
每一轮都触发一个新问题："这个用户年收入超过 100 万吗？"——但答案永远只是"是的"。
为什么会这样发生？我们检查了代码，并发现了根本原因：我们的智能体没有"思维链"——它没有内部对话来追踪自己的行为。
1、问题
这个问题并不新鲜——它是"回复哥"问题的一个经典变体。
当你构建智能体时，你经常会遇到以下问题：
循环陷阱：智能体不断触发相同的操作循环。
没有工作记忆：每个新提示都是独立处理的，没有上下文意识。
状态跟踪失败：智能体忘记了它在做什么或它为什么这样做。
循环是如何发生的
我们的循环以 4 分钟的旋转开始，当时智能体决定执行"数据库查询"任务：
第一轮（0:00）：查询数据库
第二轮（1:30）：……又是查询数据库
第三轮（3:00）：……查询数据库
第四轮（4:00）：……查询数据库
第 N 轮：……查询数据库
在 4 分钟内，智能体向数据库发送了超过 14,000 次查询。
这个循环暴露了一个根本问题：缺乏内部对话和自我纠正机制。
智能体没有问过自己："等等，我刚才查过这个了吗？"
这是"回复哥"问题——但更危险的是，因为它发生在真实的 AI 系统（如 LLM 智能体、自主编码智能体等）中。
2、循环陷阱与真实 AI 系统
在 LLM 智能体中，这个问题非常真实。例如：
ReAct 智能体会卡在"观察-思考-行动"循环中
AutoGPT 循环：智能体不断向工具发送命令，而没有明确的目标
工具使用死循环：智能体因为一个 bug 不断调用相同的工具
我们的智能体需要一种"内部对话"机制来：
追踪对话历史：记住什么发生了、为什么发生以及它是否有效
自我纠正：检测重复或无效行为
目标意识：理解它正在试图实现什么
终止条件：知道何时停止或改变策略
3、如何修复 4 分钟循环
我们实施了几个解决方案，将循环时间从 4 分钟减少到几秒钟：
3.1 添加对话历史
我们添加了一个 conversation_history 机制。智能体现在可以：
class Agent:
def __init__(self):
self.conversation_history = [] # 内部对话
def query_database(self, query):
# 检查对话历史，避免重复
last_query = self.get_last_database_query
if last_query and query.similar_to(last_query):
self.log(f"跳过重复查询: {query}")
return "最近已经查询过了"
# 正常执行并记录
result = self.database.execute(query)
self.add_to_history(f"数据库查询: {query}", result=result)
return result
效果：智能体现在会记住它刚刚问过什么。
3.2 状态标记
我们添加了显式状态跟踪：
class Agent:
def __init__(self):
self.current_task = None # 当前正在执行的任务
self.task_stack = [] # 任务栈
def execute_task(self, task):
# 检查循环
if self.is_in_loop(task):
self.log(f"检测到循环: {task}")
return
# 正常执行
self.task_stack.append(task)
result = self.execute(task)
# 弹出任务
self.task_stack.pop
return result
效果：智能体现在知道自己何时陷入循环并可以跳出。
3.3 反射机制
最有效的修复是反思——在执行操作之前问自己"这是个好主意吗？"
class Agent:
def should_execute(self, action):
# 反思：这有意义吗？会导致循环吗？
if not self.is_reasonable(action):
return False
return True
def execute(self, action):
if self.should_execute(action):
return self.perform(action)
else:
self.log(f"跳过可能有害的操作: {action}")
效果：智能体现在执行之前会检查自己的行为。
3.4 上下文窗口优化
我们改进了系统提示以提供更清晰的上下文：
SYSTEM_PROMPT = """
你是一个智能助手。你的任务是：
1. 回答用户问题
2. 维护对话历史，避免重复
3. 在执行操作前反思是否合适
4. 追踪你的任务状态
对话历史（最近 10 条）：
当前任务：
重要：你有一个内部记忆。利用它来避免重复工作。
"""
4、修复后的性能
实施这些改进后，我们的智能体性能大幅提升：
指标
修复前
修复后
改进
数据库查询次数
14,000+/4 分钟
~300
减少 98.6%
响应时间
~10 秒
~2 秒
提高 80%
循环次数
无限
0
消除循环
5、关键教训
从这次调试中，我们学到了关于构建 AI 智能体的几个重要教训：
内部对话至关重要：没有它，智能体就像失忆一样
状态跟踪不可或缺：你需要知道智能体"认为"它正在做什么"
反思胜于盲目执行：在行动前暂停，思考后果
测试边缘情况：循环通常在边界条件时触发
日志和可观察性：没有可见性，你无法调试
现在我们的智能体运行更加可靠。但我们将继续改进：
更好的对话模型：长期记忆而不是短期历史
规划能力：多步规划而不仅仅是反应式
工具使用优化：智能地选择和组合工具
错误恢复：从失败中学习并恢复
6、结束语
4 分钟循环是一个简单的问题，但它揭示了构建智能体的一个深刻真理：没有内部对话，任何外部输入都可以导致灾难性行为。
我们的修复展示了，通过添加几个关键机制——对话历史、状态跟踪、反思和更好的提示工程——我们可以将一个失控的智能体转变为可靠的助手。