用途
Agent Loops 提供一组用于构建自主 LLM 智能体的工作流模式，目标是让大语言模型能够推理、规划并自主采取行动。它适合在开发 ReAct 智能体、实现推理循环，或创建能够规划并执行任务的 LLM 时使用。
主要能力
ReAct 模式（推理 + 行动）
通过提示词模板引导模型逐步推理，每一步输出 Thought（思考）、Action（动作）和 Observation（观察），当得到最终答案时输出 Final Answer。配套的 react_loop 函数接收问题、工具字典和最大步数，循环调用 LLM、解析动作、执行工具并将结果作为观察追加到历史中，直到出现最终答案或达到步数上限。
Plan-and-Execute 模式
plan_and_execute 函数先生成逐步计划，再依次执行每个步骤，并在执行过程中判断是否需要重新规划，最后综合各步骤结果给出最终答案。
自我纠错循环
self_correcting_agent 函数在生成响应后进行自我校验，检查正确性、完整性和格式；若无效则根据反馈修正并重试，最多重试指定次数。
记忆管理
AgentMemory 类实现滑动窗口记忆，当消息数量超过上限时压缩最早的消息为摘要，并在获取上下文时以系统消息形式附加历史摘要，避免上下文溢出。
关键决策建议
资料给出若干参数建议：最大步数 5-15（防止无限循环）、温度 0.3-0.7（平衡创造性与专注度）、记忆窗口 10-20 条消息、每 3-5 步进行一次校验。
常见错误
资料列出常见问题：未设置步数限制导致无限循环、未管理记忆导致上下文溢出、无错误恢复导致工具失败时崩溃、提示词过于复杂导致智能体困惑。
相关技能
资料提及相关技能包括 function-calling（工具定义与执行）、multi-agent-orchestration（多智能体协调）、langgraph-workflows（有状态智能体图）。
能力细节
- react-loop：关键词 react、reason、act、observe、loop；用于实现 ReAct 模式、创建推理循环、构建迭代式智能体。
- tool-use：关键词 tool、function、call、execution；用于实现工具调用、从 LLM 执行函数、解析工具响应。
- workflow-template：关键词 template、workflow、agent、typescript；提供智能体工作流模板、TypeScript 实现和可复制粘贴的起始代码。
使用方式
资料以 Python 代码示例展示各模式的实现，包括提示词模板、异步循环函数、记忆类等；同时提供 TypeScript 工作流模板作为起始代码。具体安装命令、依赖配置和运行步骤暂未提供。
适用场景
适用于需要 LLM 进行多步推理、调用外部工具、自主规划任务、自我校验输出以及管理长对话上下文的智能体开发场景。
限制
资料未提供具体的安装方式、依赖要求、支持的模型或平台、性能数据及收费信息，这些内容暂未提供。