Agent Loop

问题

你问大模型："帮我列出当前目录下的文件，然后运行 test.py。"

模型能输出一条 bash 命令，但输出完了它就停了。它不会自己执行命令，也不会看到结果后继续推理。

你可以手动把命令复制到终端跑一遍，再把输出粘贴回对话框，让它接着干。下一个命令出来，你再跑一遍、再贴回去。

每一个来回，你都在做那个中间层。把它自动化，就是这一课要做的事。

解决方案

一个 while true 循环：模型调用工具就继续，不调用就停。整个过程只有两个信号：

工作原理

第 1 步：把用户的问题作为第一条消息。

const messages = [{ role: "user", content: query }];

第 2 步：把消息和工具定义一起发给 LLM（DeepSeek 使用 OpenAI 兼容接口）。

const res = await fetch("https://api.deepseek.com/chat/completions", {
  method: "POST",
  headers: { "Content-Type": "application/json", Authorization: `Bearer ${process.env.DEEPSEEK_API_KEY}` },
  body: JSON.stringify({ model: "deepseek-chat", messages, tools }),
});
const data = await res.json();

第 3 步：追加模型回答，检查它是否调了工具。没调 → 结束。

const msg = data.choices[0].message;
messages.push(msg);
if (!msg.tool_calls) return;

第 4 步：执行模型要求的工具，收集结果。

for (const call of msg.tool_calls) {
  const result = await execute(call.function.name, JSON.parse(call.function.arguments));
  messages.push({ role: "tool", tool_call_id: call.id, content: String(result) });
}

组装为一个完整函数（s01_agent_loop.mjs，约 30 行）：

const API = "https://api.deepseek.com/chat/completions";

async function runBash(command) {
  const { execSync } = await import("node:child_process");
  try { return execSync(command, { encoding: "utf8", stdio: ["pipe", "pipe", "pipe"] }); }
  catch (e) { return `EXIT ${e.status}: ${e.stderr}`; }
}

const TOOLS = [{
  type: "function",
  function: {
    name: "bash",
    description: "在本地 shell 中执行命令并返回输出",
    parameters: { type: "object", properties: { command: { type: "string" } }, required: ["command"] },
  },
}];

const execute = (name, args) => name === "bash" ? runBash(args.command) : `unknown tool: ${name}`;

export async function agentLoop(query) {
  const messages = [{ role: "user", content: query }];
  while (true) {
    const res = await fetch(API, {
      method: "POST",
      headers: { "Content-Type": "application/json", Authorization: `Bearer ${process.env.DEEPSEEK_API_KEY}` },
      body: JSON.stringify({ model: "deepseek-chat", messages, tools: TOOLS }),
    });
    const data = await res.json();
    const msg = data.choices[0].message;
    messages.push(msg);
    if (!msg.tool_calls) return;
    for (const call of msg.tool_calls) {
      const output = await execute(call.function.name, JSON.parse(call.function.arguments));
      messages.push({ role: "tool", tool_call_id: call.id, content: output });
    }
  }
}

不到 30 行，这就是最小可运行的 agent harness 内核。它不是智能本身，而是让模型能持续行动的最小运行框架：模型负责决策（要不要调工具、调哪个），harness 负责执行（调了就跑、结果喂回去）。后面 19 课都在这个循环上叠加机制，循环本身始终不变。

试一下

运行：

export DEEPSEEK_API_KEY=sk-...
node s01_agent_loop.mjs

试试这些 prompt：

• "列出当前目录下的所有文件"
• "创建一个 hello.py，内容是打印 Hello, World!"
• "当前在哪个 git 分支上？"

观察重点：模型什么时候调用工具（循环继续），什么时候不调用（循环结束）？注意模型可能会一次请求调用多个工具——这为 s02 的分发表埋下伏笔。

接下来

现在模型手里只有 bash 一个工具。读文件要 cat，写文件要 echo ... >，找文件要 find——又丑又容易出错。

s02 Tool Use → 给它 5 个真正的工具，会发生什么？