s01: The Agent Loop (Agent 循环)
一句话总结
“One loop & Bash is all you need” – 一个工具 + 一个循环 = 一个 Agent。
关键问题
1. Agent Loop 的核心思想是什么？
核心：建立模型与真实世界的连接。语言模型本身只能推理，无法执行实际操作。通过一个简单的循环，将模型的 tool_use 请求与实际执行连接起来。
2. Agent Loop 的工作流程？
+--------+ +-------+ +---------+
| User | ---> | LLM | ---> | Tool |
| prompt | | | | execute |
+--------+ +---+---+ +----+----+
^ |
| tool_result |
+----------------+
步骤：
- 用户 prompt 作为第一条消息加入 messages 列表
- 发送 messages + tools 定义给 LLM
- 追加助手响应到 messages
- 如果
stop_reason != "tool_use"，循环结束 - 执行每个 tool_use，收集结果
- 将结果作为 user 消息追加到 messages
- 回到步骤 2
3. stop_reason 的作用？
控制循环退出：
stop_reason == "tool_use"：模型请求调用工具，继续循环stop_reason != "tool_use"：模型完成工作，退出循环
if response.stop_reason != "tool_use":
return # 退出循环
4. 消息列表如何累积？
messages = [{"role": "user", "content": query}]
# 循环中：
messages.append({"role": "assistant", "content": response.content})
messages.append({"role": "user", "content": results})
工具结果格式：
{
"type": "tool_result",
"tool_use_id": block.id,
"content": output,
}
❓ 易误解点
Q：stop_reason 是工具执行后返回的吗？
A：不是。stop_reason 是 LLM API 响应的一部分，由模型决定是否需要调用工具。工具执行后返回的是 tool_result，不会改变 stop_reason。