核心模式

所有 AI 编程 Agent 共享同一个循环：调用模型、执行工具、回传结果。生产级系统会在其上叠加策略、权限和生命周期层.。

while True:
response = client.messages.create(messages=messages, tools=tools)
if response.stop_reason != “tool_use”:
break
for tool_call in response.content:
result = execute_tool(tool_call.name, tool_call.input)
messages.append(result)

这段代码非常经典，它展示了现代 AI Agent（智能体） 的核心工作原理，通常被称为 “ReAct”模式（Reasoning + Acting，推理与行动） 或 “Agentic Loop”（代理循环）。
简单来说，这段代码实现了一个**“思考 -> 行动 -> 观察 -> 再思考”的闭环。
通过三个部分来帮助你理解：逐行代码解释、工作流程图解、以及一个具体的通俗例子**。

1. 逐行代码解释

while True: 
    # 【步骤 1：思考与决策】
    # 将当前所有的对话历史和可用的工具列表发给大模型 (LLM)
    # 模型会根据指令决定是直接回答用户，还是需要调用工具
    response = client.messages.create(messages=messages, tools=tools)
    # 【步骤 2：判断是否结束】
    # 检查模型停止的原因。如果不是因为"使用工具"而停止，
    # 说明模型已经生成了最终答案（比如直接回答了问题），任务完成，跳出循环。
    if response.stop_reason != "tool_use":
        break
    # 【步骤 3：执行行动】
    # 如果代码走到这里，说明模型决定使用工具。
    # 遍历模型请求调用的所有工具（可能一次调用多个）
    for tool_call in response.content:
        # 真正执行工具函数，传入模型生成的参数
        result = execute_tool(tool_call.name, tool_call.input)
        
        # 【步骤 4：记忆更新】
        # 将工具执行的结果追加到对话历史中。
        # 这就像告诉模型：“你刚才用的那个工具，运行结果是这个。”
        messages.append(result)

---

2. 核心工作原理图解

Agent 的工作原理可以看作是一个无限循环，直到问题被解决：

1. 感知: Agent 看到 messages（用户的问题 + 历史记录）。
2. 决策: 大模型“思考”。它有两个选择：
   • 直接回答（如果知道答案） -> 循环结束。
   • 使用工具（如果需要查天气、搜网页、读文件） -> 进入下一步。
3. 行动: 你的代码执行具体的函数（如 get_weather('Beijing')）。
4. 观察: 拿到函数返回的结果（如 “北京今天晴，25度”）。
5. 反馈: 把结果塞回 messages 里。
6. 循环: 再次回到第1步。此时模型“看”到了工具的结果，它有了更多信息，可以做出更好的决策（比如生成最终答案，或者觉得信息不够，再调用另一个工具）。

---

3. 通俗例子：查天气

假设你问 Agent：“北京今天天气怎么样？”
第一轮循环:

• 模型思考: 用户问北京天气。我的知识库是旧的，但我有一个 get_weather 工具。我应该调用它。
• 模型输出: tool_use: get_weather(city='Beijing')
• 代码判断: stop_reason 是 tool_use，不跳出循环。
• 执行工具: 代码运行 get_weather，假设返回结果是 "气温25度，晴"。
• 更新记忆: 把 "气温25度，晴" 这个结果放入 messages。
  第二轮循环:
• 模型思考: （此时模型看到了历史记录：用户问天气 -> 我调用了工具 -> 工具返回“气温25度，晴”）。现在我有答案了。
• 模型输出: stop_reason 是 end_turn（正常结束），内容是“北京今天天气不错，气温25度，晴天。”
• 代码判断: stop_reason 不是 tool_use，跳出循环。
  最终结果: 你得到了北京天气的答案。

总结

这段代码的核心在于让大模型不仅仅是“说话”，而是能“动手”。

• messages 是 Agent 的短期记忆。
• tools 是 Agent 的双手。
• while True 循环是 Agent 的执行引擎。
  通过这个循环，Agent 就像人类一样，遇到不懂的问题会去查资料（调用工具），查到资料后会回来继续思考（再次调用模型），直到解决问题。

好的，为了让你更深入理解 Agent 如何处理复杂逻辑，我们来看一个包含**“条件判断”和“多步依赖”**的例子。

场景设定：智能投资助手

假设你给 Agent 的指令是：

“帮我查一下英伟达现在的股价。如果超过 800 美元，就给我发一封邮件提示风险；如果低于 800 美元，就直接告诉我价格，不用发邮件。”
在这个场景中，Agent 不能一次性完成任务，它必须先获取信息，根据结果做判断，然后执行不同的后续动作。
可用工具:

1. get_stock_price(symbol): 查询股价。
2. send_email(to, subject, body): 发送邮件。

---

循环执行过程演示

🔄 第一轮循环：获取信息

• 模型思考:
  用户要查英伟达股价，首先我需要调用查询工具。我还不知道价格，所以现在还不能决定是否发邮件。
• 模型决策:
  调用工具 get_stock_price，参数 symbol="NVDA"。
• 代码执行:
  • response.stop_reason 是 "tool_use" -> 不跳出循环。
  • execute_tool 运行查询，得到结果：{"price": 850, "currency": "USD"}。
  • messages.append(result)：把“股价是850美元”这个事实加入对话历史。

🔄 第二轮循环：逻辑判断与行动

• 模型思考:
  （此时模型看到了最新的历史记录：股价是 850 美元）。
  用户指令是：“如果超过 800 美元，发邮件”。
  850 > 800，条件满足。我需要调用邮件工具。
• 模型决策:
  调用工具 send_email，参数 to="user@example.com", subject="股价预警", body="英伟达股价已涨至850美元，注意风险"。
• 代码执行:
  • response.stop_reason 是 "tool_use" -> 不跳出循环。
  • execute_tool 发送邮件，返回结果："Email sent successfully"。
  • messages.append(result)：把“邮件发送成功”加入对话历史。

🔄 第三轮循环：生成最终答案

• 模型思考:
  （此时模型看到了：股价查到了 -> 邮件也发了）。
  所有任务链条都完成了。我现在应该给用户一个最终的回复，告诉他我已经搞定了一切。
• 模型决策:
  生成普通文本回复：“我已经查到英伟达目前的股价为 850 美元。由于价格超过了 800 美元，我已经给您发送了风险提示邮件。”
• 代码执行:
  • response.stop_reason 是 "end_turn" (即不是 tool_use)。
  • 满足跳出条件 break，循环结束。

---

这个例子为什么“复杂”？

对比之前的天气例子，这个例子展示了 Agent 的两个核心高级能力：

1. 动态决策能力：
   代码里并没有写死 if price > 800 的逻辑。这个逻辑完全是大模型理解了自然语言指令后，在运行过程中自己推导出来的。
   • 如果第一轮查出来的价格是 700 美元，模型在第二轮循环就会直接回答用户，而不会调用 send_email 工具。这就是 Agent 的“智能”所在。
2. 上下文记忆：
   第二轮循环之所以能发生，是因为第一轮循环把结果放进了 messages。模型在第二轮时，必须依赖第一轮的产出才能做决定。这展示了 messages.append(result) 这行代码的关键作用——它在循环中传递了“记忆”。

总结：这段代码为什么强大？

这段代码虽然短，但它把大模型变成了一个状态机：

• State (状态): messages 列表（记录了发生过的一切）。
• Transition (状态转移): 每一次 while 循环。
• Logic (逻辑): 隐藏在大模型的神经网络参数里，而不是写死在你的 Python 代码里。
  这解释了为什么 Agent 能够处理非常复杂的任务——只要工具箱足够丰富，这个循环就能让 AI 像人一样，一步步完成长链条的任务。