读完Agent Loop工程手册，我有8个还没想明白的问题

读完Agent Loop工程手册我有8个还没想明白的问题关注腾讯云开发者一手技术干货提前解锁来源说明文中提到的 Agent Loop来源 Peter SteinbergerOpenClaw创始人近期提出的从写 Prompt 到设计 Loop范式 Boris ChernyClaude Code 创始人公开实践 社群整理的工程手册Reddit / X 讨论量约 220 万。我读的是社群手册和公开讨论没接触作者原始全文属二手解读。如有出入以原作为准。文中提到的 SELF Protocol我自己 30 天单 Agent 实验内部 Knot Skill 33837 上架到 v1.6.7单样本、单 Agent、无对照组仅作为我目前是这么应付的贡献给讨论。01先安利一下Agent Loop 真的挺香最近 Agent Loop 这个词在国外讨论量破 220 万硅谷一线工程师圈基本人手一份手册。我连读完之后第一反应是早该这样了。它的核心主张就一句话别再死磕 Prompt 怎么写了去设计一个能让 AI 自己转起来的“循环Loop”。打个比方——过去用 AI 像手动挡每个路口都得自己换挡踩离合一句句喂 PromptAgent Loop 让你升级到自动驾驶你只管输入目的地目标和限速护栏车自己开。它把这套自动驾驶系统拆成了几个零件我用大白话翻译一下手册术语大白话解决什么Automations定时闹钟自动开跑不用人每次手动点开始Worktrees给每个 Agent 一个隔离工位多 Agent 并行不打架不互相覆盖文件Skills攒下来的操作手册不用每次从零教 AIPlugins/Connectors外接工具GitHub/Slack/MCP让 Agent 真的能动手而不是只会聊天Sub-agents一个干活、一个验收防止 AI 自己给自己打高分Memory外挂笔记本突破聊几句就忘Guardrails限速 油量表防止失控烧钱 / 原地打转读完之后让我反复琢磨的有 4 个设计法每一条都很值得拎出来单聊① 写循环之前先想清楚什么算干完了Stopping Condition别说把代码改好——太模糊AI 会把我感觉改好了当成真改好了要说写一个能复现 bug 的测试然后让它通过——可验证AI 才知道什么时候该停。这一条是整本手册我觉得最值钱的。模糊的目标会让 AI 自欺欺人可验证的目标才是真护栏。② Context 是组装出来的不是写出来的传统 Prompt 是一段固定文字。Loop 里 Context 是根据当前状态动态拼出来的——上一轮失败日志、当前文件树、最近 N 条调用记录全自动拼进下一轮 Prompt。这意味着你不再是写 Prompt 的人而是设计 Context 怎么自动生长的人。③ 失败是输入不是终点跑挂了把错误堆栈、报错截图、上次 Diff 全自动喂回去当下一轮的输入。Loop 把失败重新定义成用来下一步推理的数据——这跟传统编程出错就停是反过来的思路。④ 多 Agent 协作有 6 种拓扑手册罗列的 6 种多 Agent 编排模式顺序流水线 协调者-工作者 扇出合并 生成-验证 共享状态 / 辩论对抗每种都对应一类典型场景。这相当于给多 Agent 怎么搭建了一个模式词典——你不用每次重新发明轮子看着场景挑一个就行。光是这 4 条心法就值得每个用 AI 干活的人反复琢磨。真心推荐没读过的同学去搜一下原手册。02读完之后改了我什么包括我用 Loop 重新理解了我手上的 SELF读完不是看个热闹。我边读边把我自己每天怎么用 AI 干活重新审视了一遍发现有 4 处直接被它改掉了。其中第 4 处特别想单独展开聊——因为我手上正好在搞一个相关的小东西SELF Protocol读完 Loop 之后我才看清它在 Loop 体系里的位置。改变 1从写 Prompt心态切到写循环 写 Stopping Condition心态以前接一个任务我第一反应是这次 Prompt 怎么写。现在第一反应是这件事怎么定义’干完了’——这一步先想清楚后面 Prompt 反而短了一半。改变 2失败信息从丢了到接住以前 AI 跑出错我下意识就清屏重来。现在我开始强制自己把错误堆栈贴回下一轮——光这一条就让我同一类问题二次失败的概率明显降下来纯个人体感没量化。改变 3开始用拓扑这个词去观察自己的工作以前我和 AI 的协作是糊在一起的我说一句它做一步。现在我会自问这件事我现在用的是哪种拓扑该不该换一种“——比如给文章纠错从我自己 review换成扇出合并找两个 Agent 各自挑刺再合并”挑出来的问题数明显多一些。改变 4用 Loop 的视角重新看清了我手上的 SELF Protocol 在哪一层老实说过去 30 多天我搞 SELFSelf-Evolving Lightweight Fabric · 一套薄壳协议自己心里也只是一些 Markdown 规矩 少量脚本定位有点糊。直到读完 Agent Loop我才反应过来SELF 本质上就是 Agent Loop 体系里的治理 / 审查层——它不抢 Loop 框架的位置、不替代 Sub-agents、不替代 Memory。它只负责回答 Loop 没着重展开的那一面转起来之后怎么不胡说、不失忆、不重复踩坑。我画了一张对照表把 Loop 7 件套里和治理最相关的 5 件逐条对位 SELF 在每件套上做了什么补强 / 没做什么——也算我读完之后给自己一次复盘Loop 5 件套治理相关Loop 怎么做SELF 怎么做我的薄壳尝试我的诚实评估Memory外挂记忆用 Markdown / DB 突破上下文窗口同样用 Markdown但强制三层分级一句话 l0 几条结论 l1 全文 l2 答关键问题前强制先翻笔记30 天有效但仍有失焦案例题 4 的真痛点Sub-agents一个干活一个验收Maker-Checker 多 Agent 分工单 Agent 内置一个小查角色卡pre-publish review 清单链接真假 数据出处 未核实声明比无验收强但同模型盲区共存题 2 我也没解Guardrails护栏资源类迭代/预算/无进展检测加一层认知类不胡说 不失忆 不污染记忆· 发布出口拦截实测拦下过编造数据 1 次但红线触发率仍未稳题 3 的痛Skills操作手册攒下来可复用的指令加一条失败转技能每个失败案例自动沉淀成一条可复用规矩30 天攒了 9 条但同类失败仍在反复犯题 1 的痛Stopping Condition可验证的硬目标软目标场景下加一道诚实分级 disclaimer论文级 工件级 计划级三档—— 不能验证就显式标治不了软目标本身但至少不会假装完成了一句话定位Agent Loop 教我“怎么让 AI 自己转起来”SELF 是我回答“转起来怎么不跑偏”的那一层薄壳——前者是骨架后者是润滑层前者解决能不能转后者解决转得稳不稳。⚠️ 诚实声明这张对照表是我读完 Loop 之后的事后整理不是说 SELF 一开始就照着 Loop 设计的——它是先在 30 天踩坑里长出来的268 次 LLM 调用、20 个失败案例、314 条学习记录读完 Loop 后我才用它的语言把自己手上的东西翻译了一遍。所有有效都是我个人体感、单 Agent 单样本、无对照组普适性等更多人验证。03读完之后我有 8 个还没想明白的问题手册里的方法用上之后确实顺了很多也撞出来一堆我自己想不通的问题。下面这 8 条每一条都是我真实卡住的地方特别想听评论区怎么解停止条件这条铁律遇到软目标怎么办写测试-通过测试这种硬目标很容易写停止条件。但很多场景目标本身是软的——“把这篇文章写得让人愿意读完”、“判断这个方案值不值得做”、“输出一份让老板满意的周报”。我自己试过用 LLM 当 judge 给软目标打分0.7 就停但两个 LLM 互打分有时会漂——上午 0.85下午同样的输出 0.6。SELF 我目前的土办法加一道“诚实分级 disclaimer”——治不了软目标本身但至少强制 Agent 显式标“这是计划级 / 我没法验证”。你们的实践里有没有又稳又不死板的写法子代理互相验收会不会同病相怜一起跑偏Maker-Checker一个干活一个验收听起来很美。但两个 Agent 都是同一个底模它们的盲区高度重合——干活的看不出来的错验收的也看不出来。我亲身试过让 Agent A 写代码、Agent B 验收结果 B 把 A 的看上去对其实有 off-by-one的代码全都标了PASS。你们生产里真用过吗怎么避免两个 LLM 一起自我感觉良好 是该用不同模型当 Checker还是用规则引擎/单元测试当硬验收护栏到底应该写在哪一层预算上限 无进展检测 迭代次数封顶这些护栏应该焊死在 Loop 框架里还是做成可插拔的独立层前者紧凑但写死之后改起来麻烦后者灵活但灵活也意味着可能被忘了启用——我就忘开过一次结果一晚上烧了几十块测试 token。SELF 我目前的分法把“认知类护栏”做成可插拔的独立薄壳理由认知红线常需迭代而把“资源类护栏”留给底层 Loop 框架理由资源红线该写死。但你们的项目里这两类是怎么分的这个分法对不对记忆要给多大手册说用外挂记忆突破上下文窗口。但记忆给太大 Agent 会失焦什么都翻一遍、容易被无关历史带偏给太小又等于没解决问题。SELF 我目前的土办法分三层一句话摘要 l0 几条结论 l1 全文 l2按需展开——但 30 天里仍有失焦案例。你们的经验法则是什么是按 token budget 截断、按相关性打分、还是按时间衰减Loop 跑顺了之后人对系统的理解会不会变浅手册自己也警告过度依赖会导致理解力腐蚀——AI 越自动人越不知道里面发生了什么等到出 bug 时反而修不动因为代码不是你自己写的、Loop 也不是你手动跑过的。我自己最近就有这个体感——有几个我自己搭的循环跑了两周后我突然发现我已经不太记得它每一步在做什么了要重新读自己的代码。你们重度用 AI 自动化之后怎么对冲这种腐蚀拓扑选型有没有踩坑指南手册给了 6 种多 Agent 拓扑理论上每种都有适用场景。但真用起来怎么判断’我现在该选哪种’我试过用辩论对抗正反方 Agent 互相挑战做风险评估结果两个 Agent 互相说服反而比单 Agent 更糊涂——它们一起越聊越自信最后一致同意一个错的结论。有没有同学交过学费、能分享一下哪些拓扑是看着美用着崩的AI 一本正经地胡说怎么在 Loop 里防这是我栽得最惨的——Loop 跑得越自动AI 错得也越自信。有一次它笃定地告诉我某个事实甚至给出了出处我没核就用了事后一查那个出处根本不存在是它自己编的。SELF 我目前的土办法发布前自检清单——对外的链接 数据 结论必须过一道“链接是真的吗 数据有出处吗 有没有未核实结论”。实测拦下过 1 次编造但触发率还是不稳。你们这一层是怎么加的 接外部检索强制核查接独立的 fact-checker Agent还是干脆白名单只让它输出特定结构成本怎么压尤其在多 Agent 长循环场景下手册主要在讲怎么让 Loop 跑起来但怎么让 Loop 跑得便宜这一面我读得不解渴。多 Agent 一并行 循环一拉长token 烧得真的快。我目前的土办法① 协调者用便宜模型只做路由 ② 中间产物存脚本变量不进 Prompt ③ 限制单循环最大轮数。你们有没有更系统的成本压缩套路 模型分级Prompt 压缩还是缓存中间结果这一块我特别想抄作业。04关于我手上正在跑的 SELF Protocol30 天数据 · 公开邀拍砖第二节那张对照表已经把 SELF 的位置说清楚了它是 Loop 体系里治理 / 审查那一层的薄壳尝试。这一节稍微展开几个具体细节方便有兴趣的同学判断要不要进一步聊。它是什么 / 不是什么SELF Protocol是什么一层很薄的白盒治理 Markdown 约定 少量 Python 脚本 · ~1500 行 · 单 Agent 实测 30 天不是什么❌ 不是新框架不替代 Claude Harness / Agent Loop ❌ 不接管你的 LLM 和工具集 ❌ 不是产品是一份开放协议设计目标让任何已经在跑 Loop 的 Agent加一层认知护栏白盒记忆 pre-publish 审查 失败转技能当前形态Knot Skill 33837 · v1.6.7 · Close Beta公司内可装可试可拍砖|| |三大模块被真实坑逼出来的白盒记忆治理Markdown 三层分级l0/l1/l2 答关键问题前强制翻笔记 → 治失忆型胡答题 4发布前自检pre-publish review链接真假 数据出处 未核实结论清单 → 治一本正经的胡说题 7失败转技能踩坑 → 沉淀成可复用规矩 → 治重复掉同一个坑30 天真实数据单样本268 次 LLM 调用 · 20 个失败案例 · 314 条学习记录实测拦下编造数据事故 1 次在自动周报循环里同类失败仍在反复犯说明本身有盲区—— 这是诚实不是宣传安全承诺Safe-Launch 模式 · 想试的同学不用怕被污染默认只读体检模式5 分钟、零写入4 档入口按风险递增只读 → 一次性 → 候选写入需拍板 → 长期托管输入「关闭 SELF」即停零变更不污染既有 skill / 不默认建 cron 诚实声明再说一遍所有有效都是我个人体感、单 Agent 单样本、无对照组。普适性等更多人验证。我把它放出来不是想推销是想说我目前是这么应付那 8 个问题的你们怎么应付的——你们如果觉得有用就拿去拍觉得没用就当看个反例。05最后写这篇的真正目的不是介绍 Agent Loop也不是推 SELF——是想把上面 8 个问题摆出来看看搞 Agent 的同学都怎么解的。SELF 只是我目前的答题草稿我特别需要其他答题人的草稿做参照。任意一题选你最有感的回一下都行评论区见。我特别需要被指出这里你想偏了的时刻 这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容