本文深入解析了 Agentic Loop 的核心概念与实现方法通过手写代码示例详细阐述了模型、工具和循环代码三方协作的机制。文章重点介绍了 ReAct 思路在 Agent 主循环中的应用并探讨了循环的两种停止方式及其影响。此外还分析了 Agent 循环的三层结构帮助读者全面理解大模型的工作原理适合对 AI 和编程感兴趣的小白或程序员学习。今年上半年agentic loop这个词几乎刷屏了。Anthropic 的 Claude Code 负责人 Boris Cherny 说过手头这么多活里loop 会是他未来十年最自豪的一个。他现在几乎不写 prompt只写 loop。OpenClaw 创建者、现在已经入职 OpenAI 的 Peter Steinberger让上百个 Codex 实例几乎无人盯着连转了约一个月。这个热潮我们之前聊过那次聊的是「该不该」什么任务值得让 agent 自己转什么任务人得留在环里。今天来回答另一个问题「怎么造」这台会自己转的循环代码上到底长什么样。从工具这条线看料已经齐了写工具、Tool Calling、MCP我们前面都仔细展开过感兴趣的朋友可以去回看系列文章。写工具、Tool Calling 和 MCP 已经就位Agent 主循环是让工具自己转起来的最后一步。所以今天来看 Agent 主循环 本身它怎么把工具结果带进下一轮、什么时候继续转、什么时候停。Agent 的自主性是你代码里那台循环造出来的模型没有这个魔法。先划重点模型每次只返回一轮响应。工具结果得由循环代码写回 messages、再调一次模型任务才走得完。Reason 想下一步Act 发起工具调用Observe 看工具带回什么。三个动作反复交替这套思路就叫 ReAct。循环有两种停法模型不再返回 tool_calls 是自然停止撞上轮数上限是开发者设的强制停止。强制停出来的是半成品。generateText 接的是一整个任务不是一次调用。手写的那台 while 整个搬进了它内部stopWhen 不传默认只跑 1 步。常见的 loop 可以分三层看日程、验收、干活。验收这层标准能写成脚本就交给机器得靠判断就留着人。真正转动工具的永远是最里层这台 while。一次生成走不到答案工具查到了答案却没来我们接下来的 demo都用 Vercel 的 AI SDK 配 DeepSeek。AI SDK 我们前面一直在用是老搭档了。DeepSeek 便宜又够用我平时跑 demo 就用它。工具怎么定义、generateText怎么带工具调用我们前面已经一起捋过了这篇就接着它往下走。天气工具用tool()定义description告诉模型它能查气温inputSchema约束参数格式。我们要看的是循环怎么转不是怎么调天气 API所以工具不接真实接口直接从一张假数据表取值就够了上海 20°C深圳 28°C。const weatherData: Recordstring, string { 上海: 上海: 20°C, 深圳: 深圳: 28°C, } const result await generateText({ model: deepseek(deepseek-chat), prompt: 上海和深圳谁更热, tools: { weather: tool({ description: 查询指定城市当前气温, inputSchema: z.object({ city: z.string().describe(城市名), }), execute: async ({ city }) { const value weatherData[city] ?? ${city}: 未知 console.log([天气工具结果] ${value}) return value }, }), }, }) console.log([模型输出] ${result.text})实际运行的关键输出只有三行[天气工具结果] 上海: 20°C [天气工具结果] 深圳: 28°C [模型输出] 我来查询这两个城市的气温信息。前两行由天气工具的execute打印第三行才是模型返回的文字。AI SDK 确实调用了两次weather一次传入上海一次传入深圳。两个城市的气温都查到了模型却没回答哪个更热。模型不会停在服务端等天气结果。 第一次模型调用返回两条工具调用请求后这次调用就结束了。AI SDK 接着在你的代码里执行两次execute拿到 20°C 和 28°C。注意这两个结果的去向execute是 AI SDK 调用的所以它的返回值先交给 AI SDK。模型此时还没收到气温。模型单次调用返回两条工具调用后就结束SDK 拿到气温整理成消息但当前代码没有再调用一次模型断点就在这里。问题就在这一步AI SDK 把结果整理成工具结果消息之后当前代码没有拿这组新消息再调用一次模型。第二次模型调用启动后模型才会看到 20°C 和 28°C。加一行 stopWhen 就能跑通但循环还藏在 SDK 里面现成解法在调用配置里只多一行stopWhen-import { generateText, tool } from ai import { generateText, stepCountIs, tool } from ai const result await generateText({ // 其余配置不变 stopWhen: stepCountIs(3), })stepCountIs(3)允许这次任务最多走三步。两次天气工具调用都发生在第一步里。第一步结束后还没到上限generateText里面的循环便拿着两条工具结果发起第二次模型调用。模型这时才看到两份气温回答「深圳更热」。一行配置已经能把任务跑完不过循环本身仍藏在generateText里面工具结果具体怎么变成消息下一次模型调用是谁启动的模型给出答案以后循环又怎么知道该停这次我们先把这行收起来自己造一台。手写主循环看清 Agent 为什么会自己往下走第二次调用是怎么发生的我们一起来手写一遍看看。模型一次只给一轮响应工具只把执行结果交给代码真正决定「要不要再问一次模型」的是循环代码。一轮循环里模型、工具、循环代码三方各管一段模型判断下一步、工具只交结果、循环代码负责回灌与判停自主性就在循环代码这一段。模型还是 DeepSeek天气工具也不变。只是先不用 SDK 的generateText改用自己写的callLLM(messages)直接拿模型的原始返回它每次把完整消息和工具定义发过去拿回一轮响应。下面代码里的tool_calls、role这些字段都是模型返回里本来的样子。第一轮拿到工具结果第二轮才回答任务开始时messages里只有一句用户问题「上海和深圳谁更热」第一次调用模型响应里有两条天气工具调用。代码保存这条模型回复执行两次weather拿到上海 20°C、深圳 28°C再把两条工具结果也放进messages。此时模型已经结束了第一次响应还没看到气温。代码要把更新后的messages再发一次模型才会在第二次调用里读到结果回答「深圳更热」。如果第二次响应里还有工具调用代码就继续执行工具、补上结果、再调用模型。这个重复过程就是主循环。这段过程写成 while只剩十几行while每转一圈代码就带着最新的消息再调用一次模型。const messages: any[] [ { role: user, content: 上海和深圳谁更热 }, ] let round 0 while (true) { if (round 10) break const msg (await callLLM(messages)).message messages.push(msg) if (!msg.tool_calls) break for (const tc of msg.tool_calls) { const { city } JSON.parse(tc.function.arguments) const content weather(city) messages.push({ role: tool, tool_call_id: tc.id, content }) } }第一轮执行到for代码把模型发起的天气查询全部跑完结果写进messages。程序走到while末尾又回到开头执行callLLM(messages)第二次模型调用就这样启动了。messages可以理解成一份不断加长的对话记录每条消息的role标注这句话是谁说的user是用户assistant是模型tool是工具结果。模型不会记住上一次请求所以每一轮都要把这份完整记录重新发过去。tool_call_id原样使用模型给出的tc.id让 API 能把每个结果配回对应的那次查询。运行手写版循环 demo终端打出两轮第 1 轮 API 返回两个 tool_calls、finish_reason 为 tool_calls回灌两条 tool 结果第 2 轮返回「深圳更热」、finish_reason 为 stop自然停止。两个 break一个等模型说完一个防它转个不停第二轮里模型看到两份气温直接回答「深圳更热」没有再发起工具调用。代码遇到if (!msg.tool_calls) break把这次响应当成最终答案退出循环。此时messages最后一条就是给用户的答案。模型也可能一直要求调用工具。if (round 10) break是开发者加的硬上限即使模型还想继续代码跑满轮数也会停。这时messages最后一条还是没消化完的工具结果用户拿到的是半成品。循环这边的动作就这么多执行、回灌、再调用。但每一轮要不要继续循环代码看的是模型返回里有没有tool_calls。它凭什么第一轮决定查天气第二轮又决定不查了想一步、做一步、看一步这套节奏叫 ReAct前面手写的那台while每转一圈模型都在做同一件事看着眼前的信息决定下一步。这一圈里的三个动作各有名字。Reason从现有信息判断下一步天气例子的第一轮模型手里只有用户的问题、还没有气温于是决定先查天气。这个「判断下一步做什么」的动作就是 Reason。Act发起调用还不是结果模型决定查天气并不自己执行weather()而是返回tool_calls里面有工具名、参数和 id代码读到才真正跑两次weather()。这个发起动作的阶段叫 Act它只是调用请求还不是结果。Observe工具带回新信息模型还看不见weather()跑完代码拿到 20°C 和 28°C这些新信息叫 Observe。此刻结果只在代码手里。要等它写进messages、while再转一圈模型才在下一次调用里读到。三个阶段就标在这十几行里还是前面那段循环把三个阶段标到对应的行上while (true) { const msg (await callLLM(messages)).message // ← Reason模型判断下一步 messages.push(msg) if (!msg.tool_calls) break // ← 没有新的 Act任务结束 for (const tc of msg.tool_calls) { // ← Act模型发起的工具调用 const { city } JSON.parse(tc.function.arguments) const result weather(city) // ← Observe工具带回新信息 messages.push({ role: tool, tool_call_id: tc.id, content: result }) } }转到for末尾、回到while开头就是拿着新的 Observe 再做一次 Reason。Reason 判断下一步、Act 返回 tool_calls、代码执行工具得到 Observe回灌进 messages 后再转一圈三阶段闭环。第一轮虽然同时返回两个tool_calls也只是把两次查询排在同一轮。模型发起调用时还没拿到气温必须等 Observe 回灌后再转一圈才能比较结果。ReAct 是一种思路模型拿着新的 Observe 再 Reason、决定下一个 Act这套反复交替的节奏就叫 ReAct。它是一种思路、一种范式我一开始以为要 import 一个 ReAct 库才能用但其实你手写的那台while就是它。而手写的这套「想一步、做一步、看一步」早在 2022 年就有人命名、验证过了。前 OpenAI 研究员、现任腾讯首席 AI 科学家的姚顺雨把它写进了论文《ReAct: Synergizing Reasoning and Acting in Language Models》arXiv 2022 / ICLR 2023。论文里模型用纯文字写出Thought、Action、Observation到了 Tool CallingAction 变成结构化的tool_calls、Observation 变成role: tool的消息节奏还是同一套。图片来源ReAct 论文。模型在论文里用纯文字交替写出 Thought、Action、Observation正文后面到了 Tool Calling同一套节奏就换成了结构化的 tool_calls。所以你在这台while里学到的不会随某个 API 过时。我们前面的天气例子在第二轮自然停了。但模型不总这么省心它可能到第十轮还在要求调工具这时候就得代码出手让它停。循环有两种停法用户拿到的东西不一样让循环停下来这件事骨架里那行if (round 10) break已经写好了跑满十轮不管模型还想不想继续一律掐断。但两个break停出来的结果对用户来说完全两样。强制停止时用户拿到的是半成品天气任务第二轮模型看完气温直接回答「深圳更热」没有再发起工具调用if (!msg.tool_calls) break退出。这是 自然停止停下来的依据是模型自己说完了。撞上round 10就是另一回事了。那一刻模型往往仍在返回tool_calls它自己并不认为做完了这是安全阀的 强制停止。自然停止与强制停止的区别末条消息一个是最终答案、一个是没消化的工具结果用户拿到的分别是答案和半成品。轮数上限是最常用的强制条件尝试次数、token 预算也都算这一类。手写的循环就这些了发起、回灌、两个break判停。这一整套交给generateText之后还跟我们手写的每一行对得上吗手写是为了看懂写完就可以交给 SDK对得上而且每一段都对得上。分清三方的职责之后看得很明白模型只负责判断下一步、发起调用真正属于业务的只有 weather 里那几行查数据的逻辑。剩下的呢解析参数的JSON.parse、遍历执行的for、造 tool 消息回灌的push、两个break的判停这一整圈跟业务没有关系。换一个项目、换一批工具写出来还是这些代码。每个项目都一样的代码没必要每个项目自己写一遍、自己维护一遍。这类重复活 Agent 框架都替你写好了LangChain、LangGraph 是这样我们一直在用的 Vercel AI SDK 也是这样。AI SDK 那台循环在哪我们前面加一行stopWhen任务就跑完了因为generateText里面本来就有一台和手写版一样的循环。把callLLM和while收起来换回它还是刚才那个比气温的任务const result await generateText({ model: deepseek(deepseek-chat), prompt: 上海和深圳谁更热, tools: { weather: tool({ description: 查询指定城市当前气温, inputSchema: z.object({ city: z.string().describe(城市名) }), execute: async ({ city }) weatherData[city] ?? ${city}: 未知, }), }, stopWhen: stepCountIs(10), })跑一遍两个 step 完成任务第一步发起两次 weather 调用并回灌第二步给出「深圳更热」。运行 SDK 版 generateText demo终端打出两个 stepstep 1 发起两次 weather 调用并回灌、finishReason 为 tool-callsstep 2 给出「深圳更热」、finishReason 为 stop末行显示「总共转了 2 个 step」。和手写版逐项对得上节奏完全一样——stopWhen上限这里特意写成 10对齐手写版的round 10。SDK 说的 step就是手写版的「轮」。generateText 接的是一次任务generateText 很容易被当成一次模型调用的封装发个请求拿回文本。没有工具的时候这么理解没问题一次任务刚好等于一次生成。但它承诺的其实是一次任务调用进去最终结果出来。tools 里带上 execute 之后干完一个任务可能需要好几轮往返这个承诺不变那台 while 只能装进它内部。generateText 承诺的是「一次任务」带 execute 时它内部会转好几轮 while直到任务完成。对照关系也就清楚了手写版那整段while循环对应一次 generateText 调用手写版的 callLLM() 对应 SDK 内部每个 step 对模型发的那一次请求。手写的每一段SDK 用什么接管手写版每一段while 骨架、parse、遍历执行、造消息回灌、安全阀、自然停止分别对应 SDK 接管的部分你只交出 execute。我交出去的只有 execute 这个业务函数SDK 替我把 parse 校验、遍历调度、造消息回灌、循环判停这一整圈全接管了。execute 进参数出结果别的什么都不知道围着它转的这一圈全在它外面发生。那 stopWhen 为什么默认只跑 1 步而没有默认转到自然停止因为每转一轮都在花 token花多少得由开发者自己拿主意。在我看来这其实是把责任归属交回给你让机器自己转必须由开发者显式开启写下stopWhen就等于同意它自主转、上限自己定。把人拿出循环必须是主动决策stopWhen的默认值正好逼你把这个选择做在明处。回头看循环到底是谁的手写版里它就在你的文件里。框架版里它搬进了 generateText但启动它的是你的调用转几步的上限写在你签的 stopWhen 里干活的 execute 也是你交的。循环可以不亲手写但它的开关和上限一直在你的代码里。generateText 内部承载 Agent 主循环stopWhen 和最大步数仍由你的代码控制。开关和上限都在自己手里。至于行业天天挂在嘴边的那个 loop其实还得往外看两层。行业说的 loop其实是三层开头提到的那两个人不写 prompt 只写 loop 的 Boris让上百个实例连跑一个月的 Peter。他们说的 loop跟我们整篇手写的这台是同一个东西吗不完全是。行业里说的「loop」其实同时在指好几种东西。我更愿意按「谁决定继续、谁决定停」把它理成三层来看。摆清楚这三层你就知道你学的是最里哪一层也知道之前说的「人留在环里」人待的是哪一层。干活、验收、日程一层套一层最里层是干活循环就是我们整篇在写的这台while模型 Reason、Act代码把 Observe 回灌一直转到工具调用停下来。工具调用一停这层就停。今天整篇写的就是这一层。外面套着一层验收循环干完一轮有个裁判验收不过关就打回重做。裁判可以是人也可以是机器。之前聊 loop 该不该用时说过「人留在环里最好」人待的就是验收层——我平时让 Claude Code 出 plan、我审核、再放行就是人在这里把关。而开头 Boris 的「只写 loop」则正相反他想把验收层的人换成机器让人不用在场。机器怎么当这个裁判/goal是最干净的例子。最外面还可能再套一层 日程循环到点就把里面这套重跑一遍/loop、/schedule排的就是它。只有周期性任务才有这层修一个 bug 这种一次性任务没有。这三层能一层套一层日程循环到点唤醒一次验收验收打回再触发一次干活循环重跑。层谁决定继续、谁决定停例子日程循环 最外不一定有时间表 / 事件/loop/schedule验收循环 中间裁判人或读脚本结果的评估模型/goal干活循环 最里tool_calls有无 安全阀我们手写的whileAgent 循环分成嵌套的三层日程循环、验收循环与干活循环外层能力都围绕内核转。/goal机器裁判长什么样到现在任务做没做完都是模型自己说了算像比气温这种它答出「深圳更热」就算完了没有一条外部标准能核对。可有些任务不一样「做完没」能定出客观标准、用脚本直接量不用问模型。判据能不能写成一条脚本查得了的死规则就是这两类任务的分界。Claude Code 的/goal命令就是让你把这条标准写出来、交给脚本去验收。我在桌面建了个空目录跑了这么一条命令/goal 在当前目录创建 haiku.txt写一首关于「循环」的小诗。 验收标准用 node 脚本检查恰好 3 行、每行不超过 12 个字、 全文出现「循环」二字。最多尝试 3 次。写诗需要品味但这三条验收不考品味行数、字数、关键词跑个 node 脚本就能测。每轮结束一个评估模型照着脚本跑出来的结果判过没过不过就打回重写最多三次。重试能放心交给它自动做是因为判过没过不用人来盯验收标准是死的。在空目录里跑 /goal 让模型写三行小诗它写完主动补了个验证脚本跑验收一次通过底部显示 Goal achieved · 1 turn。一张截图里两层循环都在转顺着截图左侧的色条看写诗是一轮 Act看到写入成功是 Observe「要用 node 脚本验证」是新一轮 Reason。再往下写脚本、跑脚本又是两轮 Act最后模型判断不需要再调工具自然停止。这就是最里层那台干活循环在转它没写完诗就交差而是写完自己决定「要验证」、写脚本、跑脚本。外面的验收循环也转了只转一圈就过。底部那行Goal achieved · 1 turn在数圈数数圈数说明它本来准备多转几圈。它一次就过是因为验收标准写在 goal 里模型写的时候就朝判据靠。停止条件能写得多死决定了一个任务能放心交给机器到什么程度。所以不管外面套几层真正调用工具、把结果带进下一轮的始终是最里层那一台。循环,终究是你的Agent 的自主性是你代码里那台循环造出来的。回灌、判停、安全阀都在你的代码里换成 AI SDK 也一样stopWhen 你不写它默认只跑一步就停。所以要给它多大自主权也由你定。验收标准能完全写成脚本的任务可以把验收循环交给机器裁判验收还得靠判断和取舍的人就留在这一层。所以别被三层五层的说法唬住剥到最里面就是你文件里这台几十行的while。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
掌握 Agent 主循环：小白程序员也能轻松入门大模型（含收藏指南）
本文深入解析了 Agentic Loop 的核心概念与实现方法通过手写代码示例详细阐述了模型、工具和循环代码三方协作的机制。文章重点介绍了 ReAct 思路在 Agent 主循环中的应用并探讨了循环的两种停止方式及其影响。此外还分析了 Agent 循环的三层结构帮助读者全面理解大模型的工作原理适合对 AI 和编程感兴趣的小白或程序员学习。今年上半年agentic loop这个词几乎刷屏了。Anthropic 的 Claude Code 负责人 Boris Cherny 说过手头这么多活里loop 会是他未来十年最自豪的一个。他现在几乎不写 prompt只写 loop。OpenClaw 创建者、现在已经入职 OpenAI 的 Peter Steinberger让上百个 Codex 实例几乎无人盯着连转了约一个月。这个热潮我们之前聊过那次聊的是「该不该」什么任务值得让 agent 自己转什么任务人得留在环里。今天来回答另一个问题「怎么造」这台会自己转的循环代码上到底长什么样。从工具这条线看料已经齐了写工具、Tool Calling、MCP我们前面都仔细展开过感兴趣的朋友可以去回看系列文章。写工具、Tool Calling 和 MCP 已经就位Agent 主循环是让工具自己转起来的最后一步。所以今天来看 Agent 主循环 本身它怎么把工具结果带进下一轮、什么时候继续转、什么时候停。Agent 的自主性是你代码里那台循环造出来的模型没有这个魔法。先划重点模型每次只返回一轮响应。工具结果得由循环代码写回 messages、再调一次模型任务才走得完。Reason 想下一步Act 发起工具调用Observe 看工具带回什么。三个动作反复交替这套思路就叫 ReAct。循环有两种停法模型不再返回 tool_calls 是自然停止撞上轮数上限是开发者设的强制停止。强制停出来的是半成品。generateText 接的是一整个任务不是一次调用。手写的那台 while 整个搬进了它内部stopWhen 不传默认只跑 1 步。常见的 loop 可以分三层看日程、验收、干活。验收这层标准能写成脚本就交给机器得靠判断就留着人。真正转动工具的永远是最里层这台 while。一次生成走不到答案工具查到了答案却没来我们接下来的 demo都用 Vercel 的 AI SDK 配 DeepSeek。AI SDK 我们前面一直在用是老搭档了。DeepSeek 便宜又够用我平时跑 demo 就用它。工具怎么定义、generateText怎么带工具调用我们前面已经一起捋过了这篇就接着它往下走。天气工具用tool()定义description告诉模型它能查气温inputSchema约束参数格式。我们要看的是循环怎么转不是怎么调天气 API所以工具不接真实接口直接从一张假数据表取值就够了上海 20°C深圳 28°C。const weatherData: Recordstring, string { 上海: 上海: 20°C, 深圳: 深圳: 28°C, } const result await generateText({ model: deepseek(deepseek-chat), prompt: 上海和深圳谁更热, tools: { weather: tool({ description: 查询指定城市当前气温, inputSchema: z.object({ city: z.string().describe(城市名), }), execute: async ({ city }) { const value weatherData[city] ?? ${city}: 未知 console.log([天气工具结果] ${value}) return value }, }), }, }) console.log([模型输出] ${result.text})实际运行的关键输出只有三行[天气工具结果] 上海: 20°C [天气工具结果] 深圳: 28°C [模型输出] 我来查询这两个城市的气温信息。前两行由天气工具的execute打印第三行才是模型返回的文字。AI SDK 确实调用了两次weather一次传入上海一次传入深圳。两个城市的气温都查到了模型却没回答哪个更热。模型不会停在服务端等天气结果。 第一次模型调用返回两条工具调用请求后这次调用就结束了。AI SDK 接着在你的代码里执行两次execute拿到 20°C 和 28°C。注意这两个结果的去向execute是 AI SDK 调用的所以它的返回值先交给 AI SDK。模型此时还没收到气温。模型单次调用返回两条工具调用后就结束SDK 拿到气温整理成消息但当前代码没有再调用一次模型断点就在这里。问题就在这一步AI SDK 把结果整理成工具结果消息之后当前代码没有拿这组新消息再调用一次模型。第二次模型调用启动后模型才会看到 20°C 和 28°C。加一行 stopWhen 就能跑通但循环还藏在 SDK 里面现成解法在调用配置里只多一行stopWhen-import { generateText, tool } from ai import { generateText, stepCountIs, tool } from ai const result await generateText({ // 其余配置不变 stopWhen: stepCountIs(3), })stepCountIs(3)允许这次任务最多走三步。两次天气工具调用都发生在第一步里。第一步结束后还没到上限generateText里面的循环便拿着两条工具结果发起第二次模型调用。模型这时才看到两份气温回答「深圳更热」。一行配置已经能把任务跑完不过循环本身仍藏在generateText里面工具结果具体怎么变成消息下一次模型调用是谁启动的模型给出答案以后循环又怎么知道该停这次我们先把这行收起来自己造一台。手写主循环看清 Agent 为什么会自己往下走第二次调用是怎么发生的我们一起来手写一遍看看。模型一次只给一轮响应工具只把执行结果交给代码真正决定「要不要再问一次模型」的是循环代码。一轮循环里模型、工具、循环代码三方各管一段模型判断下一步、工具只交结果、循环代码负责回灌与判停自主性就在循环代码这一段。模型还是 DeepSeek天气工具也不变。只是先不用 SDK 的generateText改用自己写的callLLM(messages)直接拿模型的原始返回它每次把完整消息和工具定义发过去拿回一轮响应。下面代码里的tool_calls、role这些字段都是模型返回里本来的样子。第一轮拿到工具结果第二轮才回答任务开始时messages里只有一句用户问题「上海和深圳谁更热」第一次调用模型响应里有两条天气工具调用。代码保存这条模型回复执行两次weather拿到上海 20°C、深圳 28°C再把两条工具结果也放进messages。此时模型已经结束了第一次响应还没看到气温。代码要把更新后的messages再发一次模型才会在第二次调用里读到结果回答「深圳更热」。如果第二次响应里还有工具调用代码就继续执行工具、补上结果、再调用模型。这个重复过程就是主循环。这段过程写成 while只剩十几行while每转一圈代码就带着最新的消息再调用一次模型。const messages: any[] [ { role: user, content: 上海和深圳谁更热 }, ] let round 0 while (true) { if (round 10) break const msg (await callLLM(messages)).message messages.push(msg) if (!msg.tool_calls) break for (const tc of msg.tool_calls) { const { city } JSON.parse(tc.function.arguments) const content weather(city) messages.push({ role: tool, tool_call_id: tc.id, content }) } }第一轮执行到for代码把模型发起的天气查询全部跑完结果写进messages。程序走到while末尾又回到开头执行callLLM(messages)第二次模型调用就这样启动了。messages可以理解成一份不断加长的对话记录每条消息的role标注这句话是谁说的user是用户assistant是模型tool是工具结果。模型不会记住上一次请求所以每一轮都要把这份完整记录重新发过去。tool_call_id原样使用模型给出的tc.id让 API 能把每个结果配回对应的那次查询。运行手写版循环 demo终端打出两轮第 1 轮 API 返回两个 tool_calls、finish_reason 为 tool_calls回灌两条 tool 结果第 2 轮返回「深圳更热」、finish_reason 为 stop自然停止。两个 break一个等模型说完一个防它转个不停第二轮里模型看到两份气温直接回答「深圳更热」没有再发起工具调用。代码遇到if (!msg.tool_calls) break把这次响应当成最终答案退出循环。此时messages最后一条就是给用户的答案。模型也可能一直要求调用工具。if (round 10) break是开发者加的硬上限即使模型还想继续代码跑满轮数也会停。这时messages最后一条还是没消化完的工具结果用户拿到的是半成品。循环这边的动作就这么多执行、回灌、再调用。但每一轮要不要继续循环代码看的是模型返回里有没有tool_calls。它凭什么第一轮决定查天气第二轮又决定不查了想一步、做一步、看一步这套节奏叫 ReAct前面手写的那台while每转一圈模型都在做同一件事看着眼前的信息决定下一步。这一圈里的三个动作各有名字。Reason从现有信息判断下一步天气例子的第一轮模型手里只有用户的问题、还没有气温于是决定先查天气。这个「判断下一步做什么」的动作就是 Reason。Act发起调用还不是结果模型决定查天气并不自己执行weather()而是返回tool_calls里面有工具名、参数和 id代码读到才真正跑两次weather()。这个发起动作的阶段叫 Act它只是调用请求还不是结果。Observe工具带回新信息模型还看不见weather()跑完代码拿到 20°C 和 28°C这些新信息叫 Observe。此刻结果只在代码手里。要等它写进messages、while再转一圈模型才在下一次调用里读到。三个阶段就标在这十几行里还是前面那段循环把三个阶段标到对应的行上while (true) { const msg (await callLLM(messages)).message // ← Reason模型判断下一步 messages.push(msg) if (!msg.tool_calls) break // ← 没有新的 Act任务结束 for (const tc of msg.tool_calls) { // ← Act模型发起的工具调用 const { city } JSON.parse(tc.function.arguments) const result weather(city) // ← Observe工具带回新信息 messages.push({ role: tool, tool_call_id: tc.id, content: result }) } }转到for末尾、回到while开头就是拿着新的 Observe 再做一次 Reason。Reason 判断下一步、Act 返回 tool_calls、代码执行工具得到 Observe回灌进 messages 后再转一圈三阶段闭环。第一轮虽然同时返回两个tool_calls也只是把两次查询排在同一轮。模型发起调用时还没拿到气温必须等 Observe 回灌后再转一圈才能比较结果。ReAct 是一种思路模型拿着新的 Observe 再 Reason、决定下一个 Act这套反复交替的节奏就叫 ReAct。它是一种思路、一种范式我一开始以为要 import 一个 ReAct 库才能用但其实你手写的那台while就是它。而手写的这套「想一步、做一步、看一步」早在 2022 年就有人命名、验证过了。前 OpenAI 研究员、现任腾讯首席 AI 科学家的姚顺雨把它写进了论文《ReAct: Synergizing Reasoning and Acting in Language Models》arXiv 2022 / ICLR 2023。论文里模型用纯文字写出Thought、Action、Observation到了 Tool CallingAction 变成结构化的tool_calls、Observation 变成role: tool的消息节奏还是同一套。图片来源ReAct 论文。模型在论文里用纯文字交替写出 Thought、Action、Observation正文后面到了 Tool Calling同一套节奏就换成了结构化的 tool_calls。所以你在这台while里学到的不会随某个 API 过时。我们前面的天气例子在第二轮自然停了。但模型不总这么省心它可能到第十轮还在要求调工具这时候就得代码出手让它停。循环有两种停法用户拿到的东西不一样让循环停下来这件事骨架里那行if (round 10) break已经写好了跑满十轮不管模型还想不想继续一律掐断。但两个break停出来的结果对用户来说完全两样。强制停止时用户拿到的是半成品天气任务第二轮模型看完气温直接回答「深圳更热」没有再发起工具调用if (!msg.tool_calls) break退出。这是 自然停止停下来的依据是模型自己说完了。撞上round 10就是另一回事了。那一刻模型往往仍在返回tool_calls它自己并不认为做完了这是安全阀的 强制停止。自然停止与强制停止的区别末条消息一个是最终答案、一个是没消化的工具结果用户拿到的分别是答案和半成品。轮数上限是最常用的强制条件尝试次数、token 预算也都算这一类。手写的循环就这些了发起、回灌、两个break判停。这一整套交给generateText之后还跟我们手写的每一行对得上吗手写是为了看懂写完就可以交给 SDK对得上而且每一段都对得上。分清三方的职责之后看得很明白模型只负责判断下一步、发起调用真正属于业务的只有 weather 里那几行查数据的逻辑。剩下的呢解析参数的JSON.parse、遍历执行的for、造 tool 消息回灌的push、两个break的判停这一整圈跟业务没有关系。换一个项目、换一批工具写出来还是这些代码。每个项目都一样的代码没必要每个项目自己写一遍、自己维护一遍。这类重复活 Agent 框架都替你写好了LangChain、LangGraph 是这样我们一直在用的 Vercel AI SDK 也是这样。AI SDK 那台循环在哪我们前面加一行stopWhen任务就跑完了因为generateText里面本来就有一台和手写版一样的循环。把callLLM和while收起来换回它还是刚才那个比气温的任务const result await generateText({ model: deepseek(deepseek-chat), prompt: 上海和深圳谁更热, tools: { weather: tool({ description: 查询指定城市当前气温, inputSchema: z.object({ city: z.string().describe(城市名) }), execute: async ({ city }) weatherData[city] ?? ${city}: 未知, }), }, stopWhen: stepCountIs(10), })跑一遍两个 step 完成任务第一步发起两次 weather 调用并回灌第二步给出「深圳更热」。运行 SDK 版 generateText demo终端打出两个 stepstep 1 发起两次 weather 调用并回灌、finishReason 为 tool-callsstep 2 给出「深圳更热」、finishReason 为 stop末行显示「总共转了 2 个 step」。和手写版逐项对得上节奏完全一样——stopWhen上限这里特意写成 10对齐手写版的round 10。SDK 说的 step就是手写版的「轮」。generateText 接的是一次任务generateText 很容易被当成一次模型调用的封装发个请求拿回文本。没有工具的时候这么理解没问题一次任务刚好等于一次生成。但它承诺的其实是一次任务调用进去最终结果出来。tools 里带上 execute 之后干完一个任务可能需要好几轮往返这个承诺不变那台 while 只能装进它内部。generateText 承诺的是「一次任务」带 execute 时它内部会转好几轮 while直到任务完成。对照关系也就清楚了手写版那整段while循环对应一次 generateText 调用手写版的 callLLM() 对应 SDK 内部每个 step 对模型发的那一次请求。手写的每一段SDK 用什么接管手写版每一段while 骨架、parse、遍历执行、造消息回灌、安全阀、自然停止分别对应 SDK 接管的部分你只交出 execute。我交出去的只有 execute 这个业务函数SDK 替我把 parse 校验、遍历调度、造消息回灌、循环判停这一整圈全接管了。execute 进参数出结果别的什么都不知道围着它转的这一圈全在它外面发生。那 stopWhen 为什么默认只跑 1 步而没有默认转到自然停止因为每转一轮都在花 token花多少得由开发者自己拿主意。在我看来这其实是把责任归属交回给你让机器自己转必须由开发者显式开启写下stopWhen就等于同意它自主转、上限自己定。把人拿出循环必须是主动决策stopWhen的默认值正好逼你把这个选择做在明处。回头看循环到底是谁的手写版里它就在你的文件里。框架版里它搬进了 generateText但启动它的是你的调用转几步的上限写在你签的 stopWhen 里干活的 execute 也是你交的。循环可以不亲手写但它的开关和上限一直在你的代码里。generateText 内部承载 Agent 主循环stopWhen 和最大步数仍由你的代码控制。开关和上限都在自己手里。至于行业天天挂在嘴边的那个 loop其实还得往外看两层。行业说的 loop其实是三层开头提到的那两个人不写 prompt 只写 loop 的 Boris让上百个实例连跑一个月的 Peter。他们说的 loop跟我们整篇手写的这台是同一个东西吗不完全是。行业里说的「loop」其实同时在指好几种东西。我更愿意按「谁决定继续、谁决定停」把它理成三层来看。摆清楚这三层你就知道你学的是最里哪一层也知道之前说的「人留在环里」人待的是哪一层。干活、验收、日程一层套一层最里层是干活循环就是我们整篇在写的这台while模型 Reason、Act代码把 Observe 回灌一直转到工具调用停下来。工具调用一停这层就停。今天整篇写的就是这一层。外面套着一层验收循环干完一轮有个裁判验收不过关就打回重做。裁判可以是人也可以是机器。之前聊 loop 该不该用时说过「人留在环里最好」人待的就是验收层——我平时让 Claude Code 出 plan、我审核、再放行就是人在这里把关。而开头 Boris 的「只写 loop」则正相反他想把验收层的人换成机器让人不用在场。机器怎么当这个裁判/goal是最干净的例子。最外面还可能再套一层 日程循环到点就把里面这套重跑一遍/loop、/schedule排的就是它。只有周期性任务才有这层修一个 bug 这种一次性任务没有。这三层能一层套一层日程循环到点唤醒一次验收验收打回再触发一次干活循环重跑。层谁决定继续、谁决定停例子日程循环 最外不一定有时间表 / 事件/loop/schedule验收循环 中间裁判人或读脚本结果的评估模型/goal干活循环 最里tool_calls有无 安全阀我们手写的whileAgent 循环分成嵌套的三层日程循环、验收循环与干活循环外层能力都围绕内核转。/goal机器裁判长什么样到现在任务做没做完都是模型自己说了算像比气温这种它答出「深圳更热」就算完了没有一条外部标准能核对。可有些任务不一样「做完没」能定出客观标准、用脚本直接量不用问模型。判据能不能写成一条脚本查得了的死规则就是这两类任务的分界。Claude Code 的/goal命令就是让你把这条标准写出来、交给脚本去验收。我在桌面建了个空目录跑了这么一条命令/goal 在当前目录创建 haiku.txt写一首关于「循环」的小诗。 验收标准用 node 脚本检查恰好 3 行、每行不超过 12 个字、 全文出现「循环」二字。最多尝试 3 次。写诗需要品味但这三条验收不考品味行数、字数、关键词跑个 node 脚本就能测。每轮结束一个评估模型照着脚本跑出来的结果判过没过不过就打回重写最多三次。重试能放心交给它自动做是因为判过没过不用人来盯验收标准是死的。在空目录里跑 /goal 让模型写三行小诗它写完主动补了个验证脚本跑验收一次通过底部显示 Goal achieved · 1 turn。一张截图里两层循环都在转顺着截图左侧的色条看写诗是一轮 Act看到写入成功是 Observe「要用 node 脚本验证」是新一轮 Reason。再往下写脚本、跑脚本又是两轮 Act最后模型判断不需要再调工具自然停止。这就是最里层那台干活循环在转它没写完诗就交差而是写完自己决定「要验证」、写脚本、跑脚本。外面的验收循环也转了只转一圈就过。底部那行Goal achieved · 1 turn在数圈数数圈数说明它本来准备多转几圈。它一次就过是因为验收标准写在 goal 里模型写的时候就朝判据靠。停止条件能写得多死决定了一个任务能放心交给机器到什么程度。所以不管外面套几层真正调用工具、把结果带进下一轮的始终是最里层那一台。循环,终究是你的Agent 的自主性是你代码里那台循环造出来的。回灌、判停、安全阀都在你的代码里换成 AI SDK 也一样stopWhen 你不写它默认只跑一步就停。所以要给它多大自主权也由你定。验收标准能完全写成脚本的任务可以把验收循环交给机器裁判验收还得靠判断和取舍的人就留在这一层。所以别被三层五层的说法唬住剥到最里面就是你文件里这台几十行的while。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
