AI 自主循环的核心机制

什么是 Agentic Loop

传统聊天机器人：你问一句，它答一句。
Claude Code 不一样：你说一个需求，它可能连续执行十几步操作才给你最终结果。

这背后的机制叫做 Agentic Loop（智能体循环），核心实现在 src/query.ts 的 queryLoop() 异步生成器函数（第 241 行）。它是一个 while(true) 无限循环，每次迭代代表一次”思考→行动→观察”周期。

循环的完整结构

queryLoop() 的每次迭代（src/query.ts:307 while(true)）包含以下阶段：

阶段 1：上下文预处理（Pre-Processing Pipeline）

在调用 API 之前，依次执行 5 个压缩/优化步骤：

messagesForQuery（原始消息）
  ↓ applyToolResultBudget()    — 工具结果预算截断（按 maxResultSizeChars）
  ↓ snipCompactIfNeeded()      — 历史 Snip 压缩（HISTORY_SNIP feature）
  ↓ microcompact()             — 微压缩（工具结果摘要）
  ↓ applyCollapsesIfNeeded()   — 上下文折叠（CONTEXT_COLLAPSE feature）
  ↓ autocompact()              — 自动压缩（超出阈值时触发）
messagesForQuery（处理后的消息）→ 发往 API

每个步骤的输出是下一步的输入，形成串行管道。Snip 和 Microcompact 的释放 token 数会传递给 autocompact 的阈值计算（snipTokensFreed），避免重复压缩。

阶段 2：流式 API 调用（Streaming Loop）

deps.callModel() 发起流式请求（第 659 行），返回一个 AsyncGenerator。在流式过程中：

• AssistantMessage 被收集到 assistantMessages[] 数组
• tool_use 块 被提取到 toolUseBlocks[]，设置 needsFollowUp = true
• StreamingToolExecutor 在流式过程中就开始并行执行工具（不等流结束）
• 可恢复的错误（prompt-too-long、max-output-tokens）被暂扣（withheld），先尝试恢复

流式回调中的关键守卫：

• backfillObservableInput()（第 763 行）—— 为 tool_use 块回填可观察字段（如文件路径展开），但只在添加了新字段时才克隆消息，避免破坏 prompt cache 的字节一致性
• 流式降级检测——如果 streamingFallbackOccured，已收集的消息被标记为 tombstone（第 717 行），清空后重试

阶段 3：工具执行（Tool Execution）

如果 needsFollowUp 为 true，循环不会终止，而是执行工具：

// 两种工具执行器（互斥）
const toolUpdates = streamingToolExecutor
  ? streamingToolExecutor.getRemainingResults()  // 流式：获取已完成的+等待中的
  : runTools(toolUseBlocks, assistantMessages, canUseTool, toolUseContext)

工具结果通过 normalizeMessagesForAPI() 标准化后，与原始消息合并，进入下一轮循环迭代。

阶段 4：终止或继续

每次迭代结束时，根据条件决定 return（终止）或 continue（继续）：

7 种终止条件（源码级）

终止原因	触发位置	机制
completed	第 1360 行	AI 未发出 tool_use → needsFollowUp = false → 经过 stop hooks → 返回
blocking_limit	第 646 行	Token 计数超过硬限制（非 autocompact 模式）→ 生成 PTL 错误消息 → 返回
aborted_streaming	第 1054 行	abortController.signal.aborted → 为未完成的 tool_use 生成合成 tool_result → 返回
model_error	第 999 行	callModel() 抛出异常 → 生成错误消息 → 返回
prompt_too_long	第 1178 行	413 错误且 reactive compact 无法恢复 → 暂扣的错误消息被释放 → 返回
image_error	第 980/1178 行	图片尺寸/大小错误 → 直接返回
stop_hook_prevented	第 1282 行	Stop hook 返回 preventContinuation: true → 返回

4 种继续条件（恢复路径）

循环不仅是一个简单的”有 tool_use 就继续”，它还包含多种恢复/重试路径：

1. 正常工具循环

needsFollowUp = true → 执行工具 → 新消息追加到 messagesForQuery → continue

2. max_output_tokens 恢复（第 1191-1255 行）

当 AI 输出被截断时（apiError === 'max_output_tokens'）：

• 首次：尝试将 maxOutputTokens 从默认值提升到 ESCALATED_MAX_TOKENS（64K），无 meta 消息，静默重试
• 后续：注入恢复消息”Output token limit hit. Resume directly…”，最多重试 MAX_OUTPUT_TOKENS_RECOVERY_LIMIT = 3 次
• 恢复耗尽后，暂扣的错误消息被释放

3. Prompt-Too-Long 恢复（第 1088-1186 行）

当遇到 413 错误时，有两个恢复阶段：

• Context Collapse Drain（第 1097 行）：提交所有已暂存的折叠，释放空间后重试。如果上一轮已经是 collapse_drain_retry 则跳过
• Reactive Compact（第 1123 行）：触发即时压缩，生成摘要后重试。hasAttemptedReactiveCompact 防止无限循环

4. Stop Hook 阻塞重试（第 1285-1308 行）

Stop hook 可以注入阻塞错误消息，强制 AI 重新思考。新的消息（包含阻塞错误）被追加到对话中，stopHookActive = true，进入下一轮迭代。

模型降级（Fallback）

当主模型不可用时（FallbackTriggeredError，第 897 行）：

1. 已收集的 assistantMessages 被清空，tool_use 块收到合成 tool_result：“Model fallback triggered”
2. 思维签名块被移除（stripSignatureBlocks）—— 因为思维签名与模型绑定，跨模型回放会 400
3. 切换到 fallbackModel，更新 toolUseContext.options.mainLoopModel
4. 生成系统消息：Switched to {fallback} due to high demand for {original}
5. 重新发起流式请求

状态机：State 对象

每次迭代的状态通过 State 类型（第 204 行）传递：

type State = {
  messages: Message[]                        // 当前对话消息
  toolUseContext: ToolUseContext              // 工具上下文（含权限）
  autoCompactTracking: AutoCompactTrackingState  // 压缩跟踪
  maxOutputTokensRecoveryCount: number       // 输出截断恢复计数
  hasAttemptedReactiveCompact: boolean       // 是否已尝试即时压缩
  maxOutputTokensOverride: number | undefined // 输出 token 上限覆盖
  pendingToolUseSummary: Promise<...> | undefined  // 异步工具摘要
  stopHookActive: boolean | undefined        // Stop hook 是否激活
  turnCount: number                          // 轮次计数
  transition: Continue | undefined           // 上一次继续的原因
}

每次 continue 都创建新的 State 对象（不可变更新），而非就地修改。transition 字段记录了为什么继续——让后续迭代能检测特定恢复路径（如 collapse_drain_retry）避免循环。

Token Budget（实验性）

当 TOKEN_BUDGET feature 启用时（第 1311 行），循环在终止前会检查 token 消耗：

• continuation：未达到预算但超过阈值 → 注入 nudge 消息，让 AI 加速收尾
• diminishing_returns：检测到收益递减 → 提前终止
• 预算数据来自 createBudgetTracker()，跨迭代累计

为什么不是”一次规划，批量执行”

注意

源码揭示了为什么 Claude Code 选择逐步循环：

• 每一步都产生真实信息：runTools() 返回的 toolResults 是 API 不可能预知的——命令输出、文件内容、错误信息
• 动态上下文管理：每轮迭代前都重新评估压缩需求（autocompact → microcompact → snip），基于最新的 token 计数
• 错误即时恢复：工具失败不需要推倒重来——stop hook 可以注入阻塞错误让 AI 修正策略
• 用户可控：abortController.signal 在循环的多个检查点被检测（第 1018、1048、1488 行），用户按 ESC 可以优雅中断
• 成本控制：Token Budget 在每轮终止前检查，防止 AI 无效循环

一个完整的迭代示例

用户：“帮我找到项目里所有未使用的导入语句，然后删掉它们”

迭代 1: 思考→行动
  预处理: 无需压缩（上下文很短）
  API 调用: 返回 tool_use(Glob, "**/*.ts")
  工具执行: 返回 42 个文件路径
  → needsFollowUp = true, continue

迭代 2: 思考→行动
  预处理: 42 个文件结果仍在预算内
  API 调用: 返回 tool_use(Grep, "import.*from")
  工具执行: 在 15 个文件中找到 120 条 import
  → needsFollowUp = true, continue

迭代 3: 思考→行动（多轮）
  预处理: 120 条 Grep 结果触发 microcompact → 摘要化
  API 调用: 返回 3 个 tool_use(FileEdit, ...)
  工具执行: 删除 5 条未使用导入
  → needsFollowUp = true, continue

迭代 4: 总结
  API 调用: 返回纯文本"已清理 3 个文件中的 5 条未使用导入"
  → needsFollowUp = false
  → Stop hooks 通过
  → return { reason: 'completed' }