LESSON 7.1 · 直觉 · 90 分钟
Agent 的最小闭环
最小 Agent 循环是：接收目标与当前状态，模型决定直接回答、调用工具或停止；程序校验工具名、参数和权限后执行；把结果作为 observation 写回状态；模型据此选择下一步，直到达到成功条件、失败条件、预算上限或需要人工判断。关键不是循环次数，而是每一步都从环境取得可验证反馈。
DIRECT ANSWER · VERIFIED SOURCES ·
一个可控的 AI Agent 最小闭环由哪些步骤组成？
最小 Agent 循环是：接收目标与当前状态，模型决定直接回答、调用工具或停止；程序校验工具名、参数和权限后执行；把结果作为 observation 写回状态；模型据此选择下一步，直到达到成功条件、失败条件、预算上限或需要人工判断。关键不是循环次数，而是每一步都从环境取得可验证反馈。
视频对齐
视频对齐点：把一次任务逐帧标成 goal/state → model decision → validated action → tool result/observation → updated state → stop，并明确哪些决策由模型做、哪些约束由代码强制。
关键结论
- 模型负责处理不确定决策；代码负责权限、schema、超时、重试、预算和终止条件。
- 预定义代码路径是 workflow；当模型动态决定步骤和工具时，系统才更接近 agent。
- 工具结果是环境事实而不是模型记忆，必须被记录、解析并用于下一步判断。
边界与常见误解
Agent 并非“让 LLM 无限循环”。开放任务会累积错误、成本和风险；生产系统需要沙箱、幂等工具、审计日志、最大步数，以及对付款、发布、删除等高影响动作的人工确认。固定流程足够时不应强行使用 Agent。
一手来源
学完你应该能够
- 能不用术语堆砌，解释「Agent 的最小闭环」解决了什么问题。
- 能围绕 observe–reason–act、environment、termination 画出变量与因果关系。
- 能完成「不用框架写一个 tool loop」，并用证据而不是感觉判断结果。
核心概念
observe–reason–act
observe–reason–act把生成模型嵌入状态机：观察环境、选择动作、执行工具、记录结果并判断终止。可靠性来自显式状态和边界，不来自更长的思维文本。
environment
environment必须映射为可观察状态、权限边界和可回放轨迹，才能被测试与审计。 把它放进前后依赖中：输入从哪里来，输出会改变谁。
termination
termination把生成模型嵌入状态机：观察环境、选择动作、执行工具、记录结果并判断终止。可靠性来自显式状态和边界，不来自更长的思维文本。
实践任务
不用框架写一个 tool loop
- 预测：在运行代码前，写下你预期的输出、趋势或失败位置。
- 构建：从一个可手算例子开始，只保留回答核心问题所需的最小组件。
- 验证：使用轨迹回放、schema 校验、权限测试与回归任务集；保存参数、随机种子与原始结果。
- 迁移：换一个工具、失败模式或权限边界后仍保持可控，说明原结论是否仍成立。