03 · 自主循环

从一问一答到自主完成：Agentic Loop

聊天窗口是"你问一句，它答一句，一来一回"。Agent 是"你给一个目标，它自己拆解→计划→执行→观察→调整→继续，直到完成"。

ReAct 循环：推理 → 行动 → 观察

Agentic Loop 的核心范式——每一步都有明确的推理、行动、观察和判断：

用户目标 │ ▼ ┌───────────────────────┐ │ 1. 推理（Reason） │ ← 分析目标，制定计划 └──────────┬────────────┘ ▼ ┌───────────────────────┐ │ 2. 行动（Act） │ ← 调用工具，执行操作 └──────────┬────────────┘ ▼ ┌───────────────────────┐ │ 3. 观察（Observe） │ ← 获取工具返回结果 └──────────┬────────────┘ ▼ ┌───────────────────────┐ │ 4. 判断（Judge） │ └───┬──────────────┬────┘ │是 │否 ▼ ▼ 完成回到 1. 推理返回结果调整计划

两种主要范式

维度	ReAct	Plan-and-Execute
计划时机	边做边想	先想好再做
灵活性	高（随时调整）	低（按计划执行）
人类干预	难（循环中）	易（计划阶段）
适用场景	探索性任务	确定性任务
Token 消耗	较高（每步都要推理）	较低（计划只做一次）

关键工程决策

最大迭代次数

必须设上限，否则任务无法完成时会无限循环。常见上限：10-50 次，取决于任务复杂度。每次循环都要 LLM 推理 + 工具调用，10 步 = 10 次推理，成本和延迟线性增长。

人类在环的三个位置

介入时机	人类控制力	Agent 自主性
执行前确认（Plan 阶段）	强	低（必须等批准）
执行中暂停（关键步骤前）	中	中（自己跑，关键点确认）
执行后验收（最终结果）	低	高（自己跑完再说）

中间状态维护

Agent 在执行过程中维护"当前进度"——这和 Memory 不同，它是当前任务的工作记忆，不进长期记忆，但任务期间一直保持。

💡 OpenClaw 的实际做法：用 ops/ACTIVE_TASK.json 持久化长任务状态到磁盘。任务不依赖聊天上下文——即使 session 重启，状态文件上的进度依然保留。这就是"状态优先于内存"的核心原则。

与聊天窗口的本质区别

维度	聊天窗口	Agentic Loop
交互模式	一问一答	多步自主循环
目标处理	一次性回复	持续追求目标达成
失败恢复	用户重新问	自我纠错重试
中间状态	无	维护进度追踪
终止判断	模型猜	明确的终止条件