Agent演化史（三）：while True的威力与恐怖，步数涨3倍，token涨9倍

本篇是《智能体演化史》系列第 3 篇 系列主线不是"某年出现了某技术"，而是"因为上一步崩了，所以下一步才出现"。 全系列共用一个从 34 行长到 600 行的 tiny-agent，本篇是它的 v0.3。

怎么读这篇

• 🚶 12 分钟版：只看「崩坏现场」「一句话原理」和四道刹车那张图，知道该装哪四个开关。
• 🏃 40 分钟版（推荐）：加读 ReAct 闭环、O(n²) 成本曲线和 v0.3 代码，你会理解为什么大多数 Agent 不是"不够聪明"，而是"停不下来"。
• 🤿 深潜版：想清楚最后一节那个反转——当模型自己学会反思，2023 年那套手写反思循环还剩下多少价值。

01 · 崩坏现场：它跑了两个小时，交出一张白卷

2023 年 3 月底，一个叫 AutoGPT 的开源项目上线。几周之内，它在 GitHub 上冲到 10 万 star，是当时史上增长最快的仓库之一。

它的承诺非常诱人：你给 GPT-4 一个目标，它自己拆解成子任务、自己执行、自己检查结果，直到完成——全程没有人在回路里。

第一批跑通它的人，前五分钟是真的被震住的。看着它自言自语"我应该先搜 X，然后把结果存进文件，接着……“，然后真的去做了——那种感觉，有人形容为"它重新排列了你对可能性的认知”。

然后现实来了。

AutoGPT 最典型的失败模式，是一个今天听起来很荒诞、当时却天天发生的东西——递归验证循环：

第 1 轮：搜索"人工智能的历史" → 保存 10 篇文章
第 2 轮：检查完整性 → 判断"还需要更多来源"
第 3 轮：搜索"AI 历史时间线" → 保存 8 篇
第 4 轮：检查完整性 → 判断"缺少近期进展"
第 5 轮：搜索"AI 最新突破" → 保存 12 篇
第 6 轮：检查完整性 → 判断"需要学术来源"
……
第 300+ 轮：用户手动按停。两个小时。产出：零。

有用户记录到：让它整理 Downloads 文件夹，结果文件夹被按"类型→日期→项目→大小→再回到类型"反复重组了 15 次以上，几千个文件被搬来搬去，电脑卡死，最后结构回到原点。

同一年，亚马逊科学家在一项研究里给出过一个更冷的数字：AutoGPT 在标准化购物任务上的成功率是 24%。

它缺什么？ 不是模型不够强，不是工具不够多，也不是没记忆。它有循环、有工具、有记忆——它唯独没有一个可靠的"什么时候算做完"的定义。 它让模型用自然语言判断任务是否完成，而一个语言模型在被问"还能再完善吗"时，几乎永远会回答"可以"。

这个毛病在社区里有个名字，叫完美主义偏差：模型总能找到还能改的地方，它脑子里没有"够好了"这三个字。

02 · 一句话原理

循环让一问一答变成持续行动； 而循环的全部难点，不在"转起来"，在于"停得下来"。

让循环转起来，是 for step in range(N) 一行的事。而让它在该停的时候停下，是 Agent 工程里最贵的一课。

03 · 闭环：Thought → Action → Observation

循环跑起来的标准形式，来自 2022 年底的一篇论文，模式叫 ReAct（Reason + Act）：

#mermaid-svg-U3fPEDx36L9KkEs6{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-U3fPEDx36L9KkEs6 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-U3fPEDx36L9KkEs6 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-U3fPEDx36L9KkEs6 .error-icon{fill:#552222;}#mermaid-svg-U3fPEDx36L9KkEs6 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-U3fPEDx36L9KkEs6 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-U3fPEDx36L9KkEs6 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-U3fPEDx36L9KkEs6 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-U3fPEDx36L9KkEs6 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-U3fPEDx36L9KkEs6 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-U3fPEDx36L9KkEs6 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-U3fPEDx36L9KkEs6 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-U3fPEDx36L9KkEs6 .marker.cross{stroke:#333333;}#mermaid-svg-U3fPEDx36L9KkEs6 svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-U3fPEDx36L9KkEs6 p{margin:0;}#mermaid-svg-U3fPEDx36L9KkEs6 .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-U3fPEDx36L9KkEs6 .cluster-label text{fill:#333;}#mermaid-svg-U3fPEDx36L9KkEs6 .cluster-label span{color:#333;}#mermaid-svg-U3fPEDx36L9KkEs6 .cluster-label span p{background-color:transparent;}#mermaid-svg-U3fPEDx36L9KkEs6 .label text,#mermaid-svg-U3fPEDx36L9KkEs6 span{fill:#333;color:#333;}#mermaid-svg-U3fPEDx36L9KkEs6 .node rect,#mermaid-svg-U3fPEDx36L9KkEs6 .node circle,#mermaid-svg-U3fPEDx36L9KkEs6 .node ellipse,#mermaid-svg-U3fPEDx36L9KkEs6 .node polygon,#mermaid-svg-U3fPEDx36L9KkEs6 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-U3fPEDx36L9KkEs6 .rough-node .label text,#mermaid-svg-U3fPEDx36L9KkEs6 .node .label text,#mermaid-svg-U3fPEDx36L9KkEs6 .image-shape .label,#mermaid-svg-U3fPEDx36L9KkEs6 .icon-shape .label{text-anchor:middle;}#mermaid-svg-U3fPEDx36L9KkEs6 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-U3fPEDx36L9KkEs6 .rough-node .label,#mermaid-svg-U3fPEDx36L9KkEs6 .node .label,#mermaid-svg-U3fPEDx36L9KkEs6 .image-shape .label,#mermaid-svg-U3fPEDx36L9KkEs6 .icon-shape .label{text-align:center;}#mermaid-svg-U3fPEDx36L9KkEs6 .node.clickable{cursor:pointer;}#mermaid-svg-U3fPEDx36L9KkEs6 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-U3fPEDx36L9KkEs6 .arrowheadPath{fill:#333333;}#mermaid-svg-U3fPEDx36L9KkEs6 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-U3fPEDx36L9KkEs6 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-U3fPEDx36L9KkEs6 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-U3fPEDx36L9KkEs6 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-U3fPEDx36L9KkEs6 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-U3fPEDx36L9KkEs6 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-U3fPEDx36L9KkEs6 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-U3fPEDx36L9KkEs6 .cluster text{fill:#333;}#mermaid-svg-U3fPEDx36L9KkEs6 .cluster span{color:#333;}#mermaid-svg-U3fPEDx36L9KkEs6 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-U3fPEDx36L9KkEs6 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-U3fPEDx36L9KkEs6 rect.text{fill:none;stroke-width:0;}#mermaid-svg-U3fPEDx36L9KkEs6 .icon-shape,#mermaid-svg-U3fPEDx36L9KkEs6 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-U3fPEDx36L9KkEs6 .icon-shape p,#mermaid-svg-U3fPEDx36L9KkEs6 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-U3fPEDx36L9KkEs6 .icon-shape .label rect,#mermaid-svg-U3fPEDx36L9KkEs6 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-U3fPEDx36L9KkEs6 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-U3fPEDx36L9KkEs6 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-U3fPEDx36L9KkEs6 :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

带着新结果

它判断做完了

目标你只给终点

Thought 思考我现在该干嘛

Action 行动写一份申请书

Observation 观察看到真实结果

退出循环

三个环节的分工很清楚：Thought 是模型自己想的，Action 是它写的申请书，Observation 是你的代码执行后递回来的真实结果。 关键在最后一步——观察结果必须回到上下文里，模型才能基于真实反馈继续思考，而不是基于自己的想象。

对绝大多数业务场景，ReAct 就是正确答案。后面三种都是为了解决特定问题才出现的，而它们各自引入的复杂度，往往比解决的问题更多。

04 · 四道刹车：退出条件不能只有一个

既然模型自己判断"做完了"不可靠，那就必须在它之外，硬塞几个它无法违反的出口。

循环的四个强制出口。绿色那个是"它真的做完了"，红色四个是"不管它愿不愿意，到此为止"。生产级 Agent 必须四个都装。

四道刹车分别防什么

前三个很直觉，第四个值得多说两句。

原地打转检测是唯一能抓住"伪进展"的开关。 前三个刹车看的是"跑了多少"，而打转检测看的是"有没有往前走"。做法是给每个动作记一个指纹（工具名 + 参数），同一个指纹出现 N 次就判定卡住。AutoGPT 那个 300 轮的案例，用这一条能在第 4 轮就拦下来。

05 · 最小实现：v0.3 装上四道刹车

版本 diff： v0.2 → v0.3 · 46 行 → 55 行

• 新增预算累计（按 usage 实时算钱）
• 新增超时检查
• 新增原地打转检测（动作指纹计数）
• 结束时必须打印"停止原因"，让每次退出都可归因

# tiny-agent v0.3 —— 循环跑起来了，现在给它装四道刹车
import os, json, time, subprocess
from openai import OpenAI

client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

MAX_STEPS = 12 # 刹车 1：步数上限
MAX_COST = 0.50 # 刹车 2：预算上限（美元）
TIMEOUT = 120 # 刹车 3：超时（秒）
MAX_REPEAT = 3 # 刹车 4：同一个动作最多允许重复几次

PRICE_IN, PRICE_OUT = 0.15 / 1e6, 0.60 / 1e6 # gpt-4o-mini 公开定价

TOOLS = [{"type": "function", "function": {"name": "run_python", "description": "执行一段 Python 代码并返回 stdout", "parameters": {"type": "object", "properties": {"code": {"type": "string", "description": "要执行的 Python 代码"}}, "required": ["code"]}}}]

def run_python(code):
r = subprocess.run(["python", "-c", code], capture_output=True, text=True, timeout=10)
return (r.stdout or r.stderr)[–2000:]

DISPATCH = {"run_python": run_python}

GOAL = "算出 1 到 100 的平方和，并验证一遍结果对不对"
messages = [{"role": "user", "content": GOAL}]

started, cost, history, stopped = time.time(), 0.0, [], None

for step in range(MAX_STEPS): # 刹车 1 生效处
if time.time() – started > TIMEOUT: # 刹车 3
stopped = f"超时（{TIMEOUT}s）"; break
if cost >= MAX_COST: # 刹车 2
stopped = f"预算耗尽（${cost:.4f}）"; break

resp = client.chat.completions.create(model="gpt-4o-mini", messages=messages, tools=TOOLS)
cost += resp.usage.prompt_tokens * PRICE_IN + resp.usage.completion_tokens * PRICE_OUT
msg = resp.choices[0].message
messages.append(msg)

if not msg.tool_calls:
print(f"最终回答 -> {msg.content}")
stopped = "任务完成"; break

for c in msg.tool_calls:
key = (c.function.name, c.function.arguments)
if history.count(key) >= MAX_REPEAT: # 刹车 4：原地打转检测
stopped = f"检测到原地打转：{c.function.name} 重复 {MAX_REPEAT} 次"; break
history.append(key)
fn = DISPATCH.get(c.function.name)
result = fn(**json.loads(c.function.arguments)) if fn else f"[拒绝] 无此工具"
messages.append({"role": "tool", "tool_call_id": c.id, "content": str(result)})
if stopped:
break
else:
stopped = f"达到步数上限（{MAX_STEPS} 步）"

print(f"[结束] 原因：{stopped} | 走了 {step+1} 步 | 花费 ${cost:.4f}")

最后那行 print 别小看。"每次退出都要能说清原因"是一条硬纪律。 如果你的 Agent 结束时不告诉你它是"做完了"还是"被刹车了"，那你在生产环境里遇到的一切都只能靠猜。

06 · 一条没人画的曲线：步数 ×3，token ×9

现在说一个循环最容易被低估的性质：它的成本不是线性增长的，是二次的。

原因很简单——messages 这个列表只增不减。第 10 轮的请求里，装着前 9 轮的全部内容；第 11 轮装着前 10 轮。所以第 n 轮的输入 token ≈ 前面所有轮次的总和，累加下来就是 O(n²)。

按"每轮新增约 600 token"这个保守假设实测（脚本可复现）：

步数涨 3 倍，token 涨 9.2 倍。 这就是"多加几步而已"这句话的真实代价。

成本测算（按公开定价）：

单次任务几毛钱，看着不痛。但乘以调用量之后，这就是一条能决定项目生死的曲线。 Gartner 说那 40% 被取消的项目，第一个原因就是"成本不断攀升"——它不是突然爆掉的，是被这条二次曲线慢慢磨死的。

这也解释了为什么"步数上限"不只是一个安全开关，它同时是一个成本控制手段。把 MAX_STEPS 从 30 砍到 12，成本下降到约六分之一——而你砍掉的，往往是模型本来就在瞎转的那十几步。

07 · 现实对照：你忘了跟实习生说那句话

还是实习生那个类比。这次你注意一下交待活儿时的本能遗漏：

这四句话，你对真人说得出来，而且是本能会说——因为你知道人不会自己停。

但写给 Agent 的时候，绝大多数人只写了"目标"和"工具"，把这四句全忘了。 为什么？因为演示的时候它一次就做对了，你没见过它卡住的样子。

所以有个很实用的自检方法：把你的 Agent 系统提示词读一遍，看里面有没有"什么时候停"这四个字。 如果没有，它迟早会给你一场 AutoGPT 式的表演。

08 · 一个反转：手写反思循环正在贬值

最后说一件到 2026 年才看清楚的事，这是本篇最"深"的一节。

2023-2024 年，行业里流行一类设计，叫 Reflexion（反思）：让 Agent 做完之后，再调一次模型，让它批评自己的结果，然后重做。听起来很合理，很多框架都内置了。

但这里有个结构性缺陷：让犯错的那个模型去批评自己，它大概率会认同自己。 当时就有人指出，"自我批评"产出的往往是对错误的自信辩护。

然后事情变了。从 2024 年底开始，模型厂商把"慢思考"直接做进了模型内部——测试时计算、隐藏推理 token、在输出前内部展开多个分支并自我修正。到 2026 年，这已经是主流模型的标配。

于是那个尴尬的结论出现了：

模型自己会反思了，所以你手写在外的那套反思循环，正在变成纯粹的浪费。 你多花一轮 API 调用、多花一倍 token 去让模型"检查一遍"，而它本来就在内部检查过了。更糟的是，外挂的反思循环还会把已经收敛的结果重新打开，反而降低稳定性。

这是个很有代表性的例子，说明了这个系列想讲的那件事：Agent 的很多"工程技巧"，本质是在补模型的短板。模型一进步，那些补丁就变成了负债。

所以判断一个设计该不该做，有个简单的问法：它是在补模型的短板，还是在解决系统的问题？

• 「让模型一步步思考」——补模型短板，已被模型内化，可以删了
• 「限制它最多走 12 步」——解决系统问题（成本/安全），模型再强也得留着
• 「把工具结果回填给它」——解决系统问题（信息通路），永远需要

把这两类分开，你就不会在两年后维护一堆已经没人需要的脚手架。

09 · 下一篇：跑得越久，脑子越乱

看回第 06 节那张表。messages 只增不减，意味着到 30 步的时候，模型要在一个装着 26.7 万 token 的上下文里做判断——而这 26.7 万里，绝大部分是早就用不上的旧信息。

于是出现一个反直觉的现象：模型没变笨，但它被自己产生的信息埋住了。这就是上下文腐烂（Context Rot）。

下一篇：P4《上下文工程的诞生》，我们讲清楚为什么"提示词工程"这个岗位消失了，以及怎么给 Agent 装一个会自己收拾桌子的脑子。

思考题：你的 Agent 现在设了几步上限？试着把它砍一半，看看成功率掉多少、成本降多少——这两个数字的比例，会告诉你它之前有多少步是在瞎转。

欢迎在评论区聊聊。

系列导航

本篇资产

• tiny-agent-v0.3.py —— 55 行，四道刹车齐全，可直接改造自用，可在资料库直接下载
• calc_metrics.py —— 本篇 O(n²) 与成本测算脚本，参数可改
• 测算假设：每轮新增 600 token（模型输出 150 + 工具结果 450），价格取公开定价，仅用于说明量级与增长形态

本文为盘子工具站生态原创技术专题系列，转载请注明出处。