本文非 AI 创作

前言

现在网络上的文章都没人看，是因为很多内容不是人写的。
在网上找参考资料的时候我就发现大量的解析源码的文章全部都是 AI 写的，条条是到，然后观看量几乎没有，人一看到 1、2、3 这样的列举就头疼，现在在这样的时代下，坚持手动创作其实确实挺需要毅力的。
本文主要是我在浏览和思考的过程中，总结的一些我自己在没有看之前想不到的地方。

循环本身

agent-loop-diagram

首先循环如果真的简单说非常简单，其本质是工具的调用。为什么之前的模型只会对话？而现在加了 cc 之后就能工作了，答案就是工具。有了工具就有了手，就能干活了。而整个循环就是不断的在调用工具，直到不需要调用工具为止，工作就结束了。这个设计就像是人在写代码一样，人是先思考，然后再开始写，然后测试，发现不行回来再改再写，再测试再写，最终写完。AI 也是，思考要怎么做，使用哪些工具去做，做完之后要怎么检查等等。最终全部做完，不需要用工具了，只剩下思考总结一下就退出了。

所以 agentic loop 其实说简单就是这样而已。而其中更细节的更难的，其实是工具的调用和执行。

多 agent 的好处

如果让你直接想为什么需要多 agent 同时执行，你没有思考直接给到的想法肯定就一个字 “快”。但是除了快，还有别的什么吗？

我看了解析给我有几个印象深刻的地方：

  1. 每个 agent 的工具不同，效率就能不一样。因为我们直到工具和 mcp 越多，越慢，因为 AI 要做出更多的选择，而由于多 agent 协同工作，每个都负责一定的“螺丝钉”的工作，就不需要那么多工具了，比如你只是单纯写代码，就不用联网去搜了，调研的交给别人去完成了。
  2. 上下文，这个仔细自己想一下还是能想到的，因为上下文现在是有限制的，上下文太大会被压缩，而分给其他 agent 工作之后，细节就不需要管了，我不需要知道这个工作是如何完成的，我只要知道最后已经完成就可以了。最后做一个汇总就好了。
  3. 将通知作为用户消息。多 agent 协作是通过消息机制来沟通的，而对于大模型来说，并不用理解这种消息机制，而将其他 agent 派来的任务直接作为用户的一种行为输入就可以了，将机器命令作为人的命令去执行。这样也是完美覆盖了之前的循环的。

整体实现其实并没有复杂，用的还是那些技术，甚至可以说，这样的协同工作和消息机制我好像在哪里看到过，没错，操作系统里面。

为什么 Claude code 看起来更智能

至少从我使用角度上来说，即使使用相同的模型的情况下 cc 比其他 agent 会更智能。我也看到了其他对于 cc 和 oc(openclaw) 的讨论，包括论文，其实我觉得他们本质没什么不一样。

我的总结是：通过提供工具和调用链将 LLM 和目标结合为 flow 从而实现用户描述的任务。

而区别就在与权限的控制、工具的提供、上下文的提供的等等其他方面。

那么为什么看起来完成任务的效果更好呢？我觉得其中很大一部分原因在于，用更少的上下文和更少的工具完成任务，有时候质量反而会更高。有的时候我觉得过多的 harness 就是跑非的关键，带上了一堆和任务无关的上下文就会影响它的工作效率和状态，而带上了一堆无用的工具就像是累赘让 AI 选择困难。

思考

对我们使用上来说有什么帮助吗？其实几乎没有，我一直相信好的 AI 工具是不需要人过多去介入和使用的，而看完之后给我更多的是对于 agent 设计的思考。

如果现在让我去设计一个新的 agent，抛开 agnet loop 的想法，获取我会用两个系统，一个是有限状态机将工作分成几个形态 agent 在这几个形态中运转，一个是事件总线所有的消息包括用户全部通过统一调度去分发，但依旧没有 AL 来的那么简单直接和优雅。

所以其实我们在设计 agent 的时候，如何让它更简单直接的去完成用户的任务，而不是让它去思考和选择太多的工具和上下文，才是我们应该去思考的。

参考链接