从零写一个智能体：最核心的“化身” —— 循环（Agent Loop）

这是《手把手写一个AI智能体》系列的第一篇。

别怕，我们不聊高深理论，只看一段不到100行的 Python 代码，就能让你搞懂"智能体"到底在做什么。

🎯 一句话总结：智能体 = 机器人 + 脑子 + 循环

想象一下，你让一个AI助手 帮你写代码、查文件、运行命令。

它不会一次就搞定所有事，而是"想一步 → 做一步 → 再想下一步"......直到完成。

这个"想→做→想 "的循环，就是所有智能体的灵魂。

在代码里，它长这样：

python 复制代码

while stop_reason == "tool_use":
    response = LLM(messages, tools)   # 🤔 思考
    execute tools                      # 🛠️ 行动
    append results                     # 📝 反馈

我们把这个模式叫作 Agent Loop （智能体循环）。

今天，我们就用一段真实的代码，把这个循环拆开、揉碎，讲给你听。

🧱 总结构：代码长什么样？

我们先看一眼整体结构（完整代码在文末），它只有三个核心部分：

工具定义 （TOOLS）------ 告诉AI它能做什么，比如运行 bash 命令。
工具执行函数 （run_bash）------ 真正去执行命令，并返回结果。
核心循环 （agent_loop）------ 不断调用LLM，根据结果决定下一步。

整体流程就像打电话：

用户说一句话 → AI 思考 → 如果AI觉得需要"动一下"，就调用工具 → 把结果告诉AI → AI继续思考 → 直到AI说"好了，我回答你"。

🔁 核心循环：while 里的秘密

让我们逐行看 agent_loop 函数：

python 复制代码

def agent_loop(messages: list):
    while True:
        response = client.chat.completions.create(...)   # 1. 问AI
        assistant_message = response.choices[0].message
        messages.append(assistant_message)               # 2. 记录AI的回答

        if not assistant_message.tool_calls:             # 3. 检查是否需要工具
            return                                       # 不需要 → 结束循环

        for tool_call in assistant_message.tool_calls:   # 4. 执行每个工具
            output = run_bash(command)                   # 🛠️ 执行
            messages.append({"role": "tool", ...})       # 5. 把结果放回对话

每轮循环做了三件事：

问：把当前所有对话历史（包括之前的工具结果）发给LLM。
判：如果LLM返回了 tool_calls，说明它想干点活；如果没有，说明它已经给出最终答案。
做：执行每一个工具调用，把结果放回对话，然后继续循环。

这就是"由工具结果驱动模型继续推理 "的核心机制。

如果没有这个循环，AI就只能回答一次，无法"边做边想"。

🛠️ 工具：bash 命令的"挡板"

代码中定义了一个 bash 工具，LLM 可以随时调用它。

但注意，执行之前有一个安全检查：

python 复制代码

dangerous = ["rm -rf /", "sudo", "shutdown", "reboot", "> /dev/"]
if any(d in command for d in dangerous):
    return "Error: Dangerous command blocked"

为什么要这样做？

因为LLM有时候会"发疯"，万一它想删掉你的整个系统......

所以我们加了

python 复制代码

text
s01 >> 帮我看看当前目录下有哪些文件

一个简单但有效的防火墙。

另外，它还限制了输出长度（50000字符）和超时（120秒），防止AI卡死。

🧪 跑起来：一个真实的交互例子

假设你运行这个脚本，输入：

python 复制代码

text
s01 >> 帮我看看当前目录下有哪些文件

复制代码

看看当前目录下有哪些文件

发生了什么（大概流程）：

用户问题 → 加入对话历史。
调用LLM → LLM 发现需要执行 ls -la，于是返回一个 tool_call。
执行工具 → 运行 ls -la，输出文件列表。
把输出放回对话 → 变成一条 role="tool" 的消息。
再次调用LLM → LLM 看到工具结果，回答："当前目录下有这些文件：......"
没有新的工具调用 → 循环结束，输出最终答案。

整个过程就像是AI一边动脑，一边动手，而且每次动手的结果都会被"喂"回给它，让它知道下一步该做什么。

🧩 为什么这是"最基础的设计"？

很多高级智能体框架（比如 LangChain、AutoGPT）都在这个模式上加了更复杂的东西：

多工具注册
记忆管理
递归子任务
用户确认

但最底层的骨架 永远是这个 while 循环。

学会它，你就学会了所有智能体的原子操作。

用一句话来记住：
工具调用是AI的"手"，循环是AI的"呼吸"。