下面我们基于 Python 详细解析 Agent Loop 的实现。

三个相互关联的文件内容设计如下：

上面几个步骤，我们在前面的文章Yi经实现过了相信大家不会陌生了。接下来才是本篇文章的重点。

hen明显我们不但需要实现大模型调用工具，还需要实现一个Neng反复调用工具、观察结果并继续决策的循环体。

AI Agent是一种Neng够自主感知环境、独立决策并执行任务的智Neng实体,与传统 AI 工具相比,具备自主性、工具调用Neng力和动态适应性等特征。 AI Agent 的工作原理大致包括四个关键环节:感知、思考、决策和行动。它通过传感器或数据接口获取环境信息，经过处理和理解后进行推理和决策，然后通过执行器或接口作用于环境。

一个典型的 Agent Loop 包含以下步骤：

反馈结果将每个工具的结果包装成 tool 角色的消息，追加到历史中。

import os
import json
from pathlib import Path
from dotenv import load_dotenv
from openai import OpenAI
# 加载环境变量
load_dotenv
# ---------- 初始化客户端 ----------
# 创建 OpenAI 客户端实例，使用 DeepSeek API 密钥和基础 URL
client = OpenAI(
    api_key=os.getenv,
    base_url="https://api.deepseek.com"
)

加载环境变量，初始化 OpenAI 客户端。

while 模型请求调用工具:
    执行工具调用
    将结果反馈给模型

它的运行流程则Ke以用下图表示：

一个工具 + 一个循环 = 一个智Neng体，就是智Neng体的核心秘密。

它怎么思考、怎么分析、怎么决定下一步执行什么工具、怎么处理模型输出…….说实话，这块儿咱就是说hen难一下子全部搞懂，但有个东西特别关键——那就是 Agent Loop。

因为从前言中的例子我们Ke以知道在没有循环调用工具的情况下我们只Neng手动将工具的输出粘贴回对话中，充当人肉中转站。这不仅低效，geng违背了“自主智Neng体”的初衷。

而 Agent Loop 正是为了解决这一问题而应运而生：将模型与工具连接起来让模型根据环境反馈自主决定下一步动作，直到任务完成。

请帮我读取 step1.txt 文件，并严格按照文件中的线索一步步寻找，直到拼凑出Zui终的完整密码告诉我。

执行结果如下：

step1.txt 内容如下：

执行工具遍历所有工具调用，运行对应的工具函数，收集结果。

你可Neng会问，为啥百度不收录我的文章呢？其实吧，这事儿挺复杂的，有时候是服务器问题，有时候是robots.txt设置问题，还有可Neng是内容质量问题，你得一一排查才行。 Agent Loop 怎么实现？

# -- 核心模式：一个不断调用工具的 while 循环，直到模型停止 --
def agent_loop:
    """
    核心代理循环：
    不断地调用大模型，Ru果模型返回了工具调用，则执行工具并将结果发回给模型，
    直到模型不再需要调用工具并返回Zui终文本回复为止。
    """
    while True:
        # 调用大模型，传入历史消息、工具列表，并让模型自动决定是否调用工具
        response = client.chat.completions.create(
            model="deepseek-chat", # 使用的模型名称
            messages=messages,
            tools=tools,
            tool_choice="auto"
        )
        msg = response.choices.message
        # 将助手的回复添加到历史记录中
        messages.append
        # Ru果模型没有调用工具，说明Yi完成任务，返回模型回复的文本内容
        if not msg.tool_calls:
            return msg.content
        # 否则，模型决定调用工具，遍历所有的工具调用
        for tool_call in msg.tool_calls:
            if tool_call.function.name == "read_file":
                # 解析模型生成的工具调用参数
                args = json.loads
                print
                # 执行工具函数
                result = file_tool.execute
                # 打印工具执行结果的前200个字符
                print
                # 将工具执行结果作为 tool 类型的消息追加到历史记录中
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "name": tool_call.function.name,
                    "content": result
                })

用户输入用户的消息作为第一条消息加入历史中。

if __name__ == "__main__":
    # 初始化历史消息列表，包含系统提示词，用于指导助手的行为
    history = 
    # 启动交互式终端会话
    while True:
        try:
            # 获取用户输入
            query = input
        except :
            # 处理 Ctrl+D 或 Ctrl+C 退出的情况
            break
        # 处理正常退出的输入
        if query.strip.lower in :
            break
        # 将用户输入追加到历史记录中
        history.append
        # 启动代理循环进行对话
        final_answer = agent_loop
        # 打印助手给出的Zui终答案
        if final_answer:
            print

解析响应检查大模型的响应是否包含新的 Action 请求。Ru果有，就提取出 Action 并继续下一轮迭代；Ru果没有，就认为任务完成了直接返回Zui终结果给用户就行了呗~哈~哈~！你懂的，其实hen简单！咱就是说大模型的响应就像是在告诉我们下一步该干嘛，要么是继续干活儿，要么就是完事儿了Ke以收工了！所以说这个事儿就得这么干！不对，不对，应该是…… 哦，对了大模型的响应里Ru果有 Action 请求，那就说明它还想继续干活儿，那就得接着迭代；Ru果没有，那就说明它Yi经完事儿了就Ke以直接返回结果给用户啦！哈哈，是不是hen简单呢？说实话，这玩意儿一开始我也不太明白，但后来慢慢就懂了你kan，其实就是个不断迭代的过程嘛！ 所以我们需要一个Neng反复调用LLoop 中的各种组件或功Neng模块,,观察结果并继续决策的LLoop 体,,这就是 LLoop.

+----------+      +-------+      +---------+
|  用户    | ---> |  LLM  | ---> |  工具   |
|  prompt  |      |       |      |  执行    |
+----------+      +---+---+      +----+----+
                     ^                |
                     |    工具结果     |
                     +----------------+
                     

无论是简单的文件读取，还是复杂的代码编写、代码运行，其背后dou是同一个逻辑原理：LLoop.

理解并掌握这个逻辑原理，你就掌握了智Neng体设计的钥匙。在此基础上，你Ke以添加策略、记忆、多智Neng体协作等高级特性，但核心永远不会变——LLoop.

所以说嘛，这个 LLoop 就相当于是 AI Agent 的核心秘密啦！你要是弄懂了这个，其他的也就好办了！哈~哈~！