AI Agent 为什么会陷入死循环？用 Python 实现一个轻量级工具调用控制器

一、前言

随着大模型技术的发展，AI Agent 已经能够自主调用搜索、文件读取、API 等外部工具，完成复杂任务。

但在实际开发中，我们可能遇到一个问题：Agent 反复调用相同的工具，却始终无法完成任务。

这种情况不仅浪费 Token，还可能造成 API 调用成本增加、程序响应缓慢等问题。

本文通过 Python 实现一个简单的工具调用控制器，介绍如何避免 AI Agent 陷入无限循环。

二、为什么 Agent 会陷入循环？

AI Agent 通常按照以下流程工作：

接收任务 → 分析任务 → 选择工具 → 执行工具 → 获取结果 → 再次决策

如果模型始终认为任务没有完成，就可能不断重复执行。

常见原因包括：

• 工具返回信息不足： Agent 无法判断任务是否完成。

• 缺少调用次数限制： 程序允许模型无限次调用工具。

• 缺少重复检测： 相同的工具和参数被反复执行。

• 缺少超时机制： 执行流程长时间无法结束。

因此，我们需要在 Agent 和外部工具之间增加一层控制逻辑。

三、Python 实战：实现工具调用控制器

下面实现三个核心功能：

1. 限制最大工具调用次数。

2. 检测重复的工具调用。

3. 限制整体执行时间。

示例不依赖第三方库，Python 3.9 及以上版本即可运行。

完整代码

import json
import time

# 模拟搜索工具
def search(keyword):
    return f"搜索结果：{keyword}相关内容"

TOOLS = {
    "search": search
}

# 模拟 Agent 决策
def agent_decide(history):
    return {
        "name": "search",
        "args": {"keyword": "AI Agent"}
    }

# 工具调用控制器
def run_agent(max_calls=5, timeout=10):
    start = time.monotonic()
    history = []
    seen = set()

    for step in range(max_calls):

        # 1. 总时间检查
        if time.monotonic() - start >= timeout:
            return "停止：执行超时"

        action = agent_decide(history)
        name = action["name"]
        args = action["args"]

        # 2. 工具白名单检查
        if name not in TOOLS:
            return "停止：未知工具"

        # 3. 重复调用检查
        key = json.dumps(
            action, sort_keys=True
        )

        if key in seen:
            return "停止：检测到重复工具调用"

        seen.add(key)

        # 4. 执行工具
        try:
            result = TOOLS[name](**args)
        except Exception as e:
            return f"工具执行失败：{e}"

        history.append(result)
        print(f"第{step + 1}次调用：{result}")

    return "停止：达到最大调用次数"

print(run_agent())

四、运行效果

运行上述代码，预期输出：

第1次调用：搜索结果：AI Agent相关内容
停止：检测到重复工具调用

可以看到：

第一次调用正常执行，而第二次请求与第一次完全相同，因此控制器直接终止执行。

这里采用严格的重复检测策略，适合演示循环防护。在真实系统中，某些重复调用可能是合理的，例如轮询任务状态，因此可以进一步设置重复次数阈值。

另外，示例中的超时检查只能在每次循环开始时生效。如果工具本身发生阻塞，还需要为实际 HTTP 请求或工具执行过程单独配置超时机制。

五、实际开发中的优化方向

除了上述基础方案，还可以继续完善：

• 失败重试： 对临时网络错误采用有限次数的重试。

• 执行日志： 记录每次工具调用的参数和返回状态。

• Token 预算： 限制 Agent 单次任务的模型调用成本。

• 终止条件： 让 Agent 明确区分任务完成、任务失败与需要继续执行。

这些机制可以让 Agent 的执行过程更加可控。

六、总结

AI Agent 的能力不仅取决于大模型本身，还取决于外围执行系统的设计。

本文通过一个轻量级 Python 示例，实现了调用次数限制、重复检测和基础超时检查。

虽然示例简单，但体现了一个重要的工程思想：

Agent 可以自主决定使用什么工具，但工具执行必须受到程序规则的约束。

在实际项目中，合理设计工具调用边界，是提升 AI Agent 稳定性、安全性和可维护性的重要一步。