系列：《AI Agent 从原理到实战 —— 解密 Claude Code 背后的工程智慧》 第2篇
引言
上一篇我们说到，AI Agent 的智能来自模型本身，而程序员的角色是造"车"（Harness）。但在讨论这辆车的具体构造之前，有一个更基础的问题要回答：Agent 和普通的 LLM 对话到底区别在哪？
你用 ChatGPT 的日常体验是这样的：你问一句，它答一句。你再问，它再答。每一轮对话都是你发起的。模型永远在"等你"。
但 Agent 不一样。你说一句话之后，它可能自己忙活了十分钟，中间调用了二十个工具，最后才回来跟你说"搞定了"。
这两者之间的鸿沟，其实只隔着一个东西——一个 while 循环。
Agent Loop：可能是软件史上最重要的 while 循环
先说结论。Agent 的最小结构可以用几行伪代码表达：
while (true) {
const response = await model.chat(messages);
if (!response.hasToolCall) {
return response; // 模型觉得做完了，返回给用户
}
// 模型调用了工具，执行它
const toolResult = await execute(response.toolCall);
// 把工具结果加入对话历史，让模型继续思考
messages.push(toolResult);
}
就这么多。这就是所谓的 Agent Loop（代理循环）。
拆开来看：
- 把对话发给模型，让它思考该做什么
- 检查模型的回复——它是直接给了文字答案，还是要求调用某个工具？
- 如果是文字答案，说明模型认为任务完成了，把答案返回给用户，循环结束
- 如果是工具调用，执行这个工具，把执行结果塞回对话历史，回到第1步
核心思想很简单：让模型自己决定什么时候"再做一步"，什么时候"到此为止"。
一个具体的例子
光看伪代码可能还是抽象，用一个真实场景走一遍。
假设你打开 Claude Code，对它说：
"帮我看看这个项目里有没有 bug"
接下来发生的事情是这样的：
整个过程中模型的回复：
"我检查了项目代码，发现并修复了两个问题： 1. main.py 中的 SQL 查询存在注入风险，已改为参数化查询 2. db.py 中事务异常处理缺少回滚，已补充 rollback 逻辑 所有 15 个测试均已通过。"
整个过程中，你只说了一句话。模型自己走了八步。每一步都是它自己判断的——读什么文件、改什么代码、什么时候跑测试、测试失败了怎么办。
这就是 Agent Loop 的威力。
为什么这个循环如此重要
你可能会想：就一个 while 循环，有这么了不起吗？
了不起的地方在于，它改变了控制权的归属。
在传统软件里，控制权在程序员手里。程序走哪条分支、调用什么函数、执行什么顺序，全是代码写死的。用户按下按钮，程序做预设的事。
在普通的 LLM 对话里，控制权在用户手里。每一轮都是用户发起的，模型只是响应。
而在 Agent Loop 里，控制权交给了模型。 模型自己决定下一步做什么，自己决定什么时候结束。程序员不预设流程，用户不需要逐步引导。
这是一个根本性的范式转换。
关键洞察：循环本身永远不变
再看一眼那段伪代码。从 Claude Code 到 Cursor、Devin、各种编程 Agent，它们的核心循环结构都是一样的。差异不在循环本身，而在循环上"挂"了什么东西：
- 挂了什么工具？能读文件还是能操作数据库？能跑终端命令还是能发 HTTP 请求？
- 喂了什么知识？项目文档、代码规范、行业知识？
- 怎么管理上下文？对话太长了怎么办？怎么让模型记住重要的东西、忘掉不重要的？
- 设了什么权限边界？允许模型自己执行命令还是每一步都要人确认？
循环是骨架，这些东西是血肉。骨架简单到不能再简单，但血肉的设计可以极其复杂——这也是为什么不同的 Agent 产品体验差异巨大，即使它们底层用的是同一个模型。
Agent 的能力 = 模型的智能 × Harness 的质量
模型的智能我们管不了（等 Anthropic 和 OpenAI 迭代），但 Harness 的质量完全在我们手里。
小结
这篇文章的核心信息：
- Agent 和普通 LLM 对话的区别就在一个 while 循环——Agent Loop
- 这个循环做的事很简单：模型调了工具就继续，没调工具就结束
- 它的重要性在于把控制权从程序员/用户转移给了模型
- 循环本身不变，变的是往循环上"挂"什么东西——工具、知识、上下文、权限
那"挂什么东西"这件事到底怎么做？怎么设计才对？这就是下一篇要聊的 Harness 工程——可能是 AI 时代程序员最重要的新技能。
