xmlns="http://www.w3.org/2000/svg"

style="display:

与多模态应用

前两篇教程里，我们把文本生成、结构化输出和基础工具调用都摸了一遍。

用maxSteps搞出来一个多步推理的小

demo，看着挺像那么回事

但说实话，真要做一个能自己思考、自己决策的

Agent，光靠那些基础循环是不够的。

你会发现逻辑越写越乱，代码越堆越多，到最后自己都不知道

在第几步干了什么

这篇文章我们聊点更实战的东西。

ToolLoopAgent怎么把智能体封装得更优雅，Loop

Control

封装起来

还记得上一章的汇率助手吗？我们把工具和maxSteps直接塞进generateText里。

写个

demo

没问题，但你要是真的做业务，这代码很快就会变成一坨意大利面

你想想，每次都要重新配置工具、重新写循环逻辑，改个参数还得全局搜索。

更要命的是，你没法把“这个会搜索的

AI”当成一个独立模块复用

ToolLoopAgent就是来解决这个痛点的。

它把模型、工具、循环规则全打包成一个对象，你可以像调函数一样调用它。

想要多个不同能力的

Agent？实例化几个就行

实战案例：做一个会搜资料的研究员

Agent

我们来搞个能模拟搜索、记笔记、写总结的

Agent

import{ToolLoopAgent,tool,stepCountIs}from'ai';import{openai}from'@ai-sdk/openai';import{z}from'zod';importdotenvfrom'dotenv';dotenv.config();//
定义工具集consttools={searchWiki:tool({description:'搜索维基百科摘要',parameters:z.object({query:z.string()}),execute:async({query})=>{console.log(`[Agent
操作]
正在搜索:${query}...`);//
模拟搜索结果return{title:query,summary:`${query}是一种强大的技术...（模拟数据）`};},}),saveNote:tool({description:'保存关键信息到笔记',parameters:z.object({content:z.string()}),execute:async({content})=>{console.log(`[Agent
操作]
记录笔记:${content}`);return{success:true};},}),};//
实例化
AgentconstresearcherAgent=newToolLoopAgent({model:openai('gpt-4o'),system:'你是一个严谨的研究员。
遇到问题时，先搜索信息，然后记录关键点，最后总结回答。
',tools:tools,//
默认停止条件：最多运行
步stopWhen:stepCountIs(10),});asyncfunctionmain(){//
Agentconstresult=awaitresearcherAgent.generate({prompt:'请研究一下
Vercel
的主要功能，并做简要总结。
',});console.log('---最终报告---',result.text);}main().catch(console.error);

看到没，ToolLoopAgent把所有配置都收拢在一起了。

你想在别的地方用这个研究员？直接researcherAgent.generate()就完事。

想搞个编码

Agent、审核

Agent？照着这个模式再实例化几个，让它们互相配合干活

这才是工程化的写法

2.

Loop

跑起来就是个循环：思考→行动→观察→再思考。

AI

SDK

机制，让你能插手这个循环的任何环节

stopWhen：自己定义什么时候停

默认情况下，Agent

会一直跑到模型觉得任务完成了，或者达到最大步数。

但有些场景你得强制控制，比如“调用了某个工具就立刻停”，或者“置信度太低了别继续瞎搞了”

import{stepCountIs}from'ai';//
组合多个停止条件stopWhen:[stepCountIs(10),//
防止死循环(step)=>{//
工具就立刻停returnstep.toolCalls.some(call=>call.toolName==='escalateToHuman');}]

prepareStep：在每一步执行前动态调整

prepareStep这个钩子很有意思。

它能让你在

Agent

每走一步之前，偷偷修改请求参数。

比如注入当前时间、用户位置这些动态信息，或者根据前面的执行结果临时换一套工具

constdynamicAgent=newToolLoopAgent({model:openai('gpt-4o'),tools:myTools,prepareStep:async({messages,stepCount})=>{//
每一步执行前，把当前时间塞进去consttimeContext=`当前系统时间:${newDate().toISOString()}`;return{system:`你是一个时间感知的助手。
${timeContext}`,//
步之后，换一套简化的工具集tools:stepCount>3?simplifiedTools:myTools,};},});

3.

多模态：让

把多模态输入的接口统一了，发图片变得特别简单

以前你得手动把图片转

Base64，再拼到

里，麻烦得要死。

现在content属性直接支持数组，文本和图片混着传就行

实战案例：发票识别助手

import{generateText}from'ai';import{openai}from'@ai-sdk/openai';importfsfrom'node:fs';asyncfunctionanalyzeInvoice(){constresult=awaitgenerateText({model:openai('gpt-4o'),messages:[{role:'user',content:[{type:'text',text:'帮我看看这张发票，把总金额和日期提取出来'},{type:'image',//
URL
或者本地文件都行image:fs.readFileSync('./invoice.jpg'),},],},],});console.log('识别结果:',result.text);}

这个多模态能力可以跟结构化输出配合使用。

你传一张网页截图进去，让

用generateObject生成对应的

HTML

逻辑一复杂，光靠console.log调试真的会疯。

你根本看不清模型在第

B

Vercel

的可视化调试工具，专治这种疑难杂症

怎么用：

装个依赖：

npminstall@ai-sdk/devtools

用wrapLanguageModel把模型包一层，让它能捕获所有输入输出：

import{wrapLanguageModel}from'ai';import{experimental_createToolLoopAgent}from'ai';import{devtools}from'@ai-sdk/devtools';constmodel=wrapLanguageModel({model:openai('gpt-4o'),middleware:devtools,});//
后面在
ai-sdk-devtools

打开浏览器访问http://localhost:4983，你会看到一条清晰的时间轴。

每次

LLM

消耗、工具调用的详细参数，全都一目了然

这玩意对优化

System

“幻觉”问题太有用了。

你能看到模型到底在哪一步开始胡说八道的

写在最后

到这里，你已经从写简单脚本的阶段，进化到能设计完整

Agent

系统的程度了

ToolLoopAgent让你把智能体封装成可复用的模块，Loop

Control

的核心能力你都摸透了

下一篇实战项目篇，我们会把这些知识全部串起来，做一个真正能上生产的

RAG

聊天机器人。

它会有文档理解、记忆保持、专业问答这些能力。

到时候你会发现，前面学的这些东西是怎么在实际项目里配合工作的