聊天机器人是“你问一句、我答一句”；Agent 是“你说目标、我反复尝试直到完成”。让它能干活的，不是模型变聪明了，而是它学会了“循环”。
ChatGPT 很强大，但它基本是一次性对话：你提问，它生成答案。即便它能联网、能写代码，本质上也是一次性输出。
Agent 不一样。你让它“帮我订一张明天早上飞往上海、价格不超过 800 的经济舱机票”，它不会直接给一段话，而是会自己查航班、比价、看余票、再决定怎么回复你。
这个“查→看→再查→再决定”的过程，就是 Agent 的运行循环。 它是 Agent 和聊天机器人最核心的区别。
一、循环四步：Think → Act → Observe → Repeat
李博杰在书里把 Agent 的核心动作归纳得很清楚：Agent 不是一次性生成答案，而是在一个循环里反复运转，直到任务完成。
这个循环通常分成四步：
- Think（思考）
：LLM 读一遍当前上下文，判断“我现在该做什么”。 - Act（行动）
：调用一个外部工具，比如查天气、跑 SQL、发邮件、搜索网页。 - Observe（观察）
：把工具返回的结果写回上下文。 - Repeat（重复）
：带着新的观察结果再次思考，直到任务完成或触发停止条件。
也就是说，Agent 的每一次“回复”背后，可能经历了多轮内部的思考—行动—观察。
举个例子：
你说：“把上周的销售数据汇总成图发给我。”
Agent 可能会这样跑：
Think：要查数据库 → Act：调用 SQL 工具查数 → Observe：拿到结果 → Think：要画图 → Act：调用代码工具生成图表 → Observe：图出来了 → Think：要发邮件 → Act：调用邮件工具发送 → Observe：发送成功，停止。
把每一步拆开看，你会觉得“这不就是我写自动化脚本时常干的事吗？”没错，Agent 的循环本质，就是把“人处理复杂任务时的试错过程”自动化了。
二、停止条件：什么时候该停下来
循环不能无限跑，否则就会变成“死循环”。Agent 必须知道什么时候停。
常见的停止条件有三种：
- 任务完成
：达到了用户目标，比如成功订票、图已生成并发送。 - 达到最大步数
：超过预设的轮次限制，比如最多跑 10 轮，防止失控。 - 模型主动判断“可以结束了”
：LLM 自己输出停止信号，比如“我已经完成任务，可以向用户汇报结果”。
三、为什么“循环”这么重要
没有循环，大模型只能“一次性猜测”。它可能会给你一份看起来很完整的机票推荐，但实际上没有查任何实时数据。
有了循环，Agent 就能：
- 根据真实反馈修正
：查不到数据就换关键词，报错就看日志再调。 - 把复杂任务拆成多步
：每一步只做一件小事，降低出错概率。 - 引入外部系统
：通过工具调用，把模型的“脑子”和真实世界连接起来。
这其实和工程师做交付很像。你不可能一次性把一个复杂项目写完，都是提交、看结果、改 bug、再提交。Agent 的运行循环，就是这种工程直觉的自动化。
用日常开发的经历做类比：提交任务 → 看日志 → 报错就改 → 再提交 ... 。这个“提交—观察—修正—再提交”的循环，和 Agent 的 Think-Act-Observe-Repeat 是不是一回事？也许你在使用agent工具时可以也见到过，打印的灰色思考过程中经常出现，“欸？这个不对，让我重新检查下代码”，类似的日志，包括你自己开发一个简单的agent，把思考过程输出出来，就会清晰的感觉到循环的作用。
四、普通人需要记住什么
不用去背那四步的英文。你只需要记住一句话：
Agent 不是一次回答，而是一次“尝试—反馈—再尝试”的循环。
聊天机器人靠模型的训练知识回答问题；Agent 靠循环把目标一步步执行出来。下次再有人说“Agent 不就是大模型套壳吗”，你可以告诉他：壳就是循环，没有这层壳，模型只能动嘴皮子。
参考
李博杰《深入理解 AI Agent》第 1 章 Agent 基础
本文首发于微信公众号 BigDataLab，转载请注明出处。
更多 AI / 大模型实战干货，欢迎微信搜索关注「BigDataLab」，或 点此回看原文。