原文：https://mp.weixin.qq.com/s/GryGhL7SLCPwDQF0VjsPeg

Agent Loop 的基本流程并不复杂。

模型发起工具调用，Harness 执行后将结果返回给模型，模型再决定下一步。围绕这几步，就能搭建一个最简单的 Agent 循环。

但在 Claude Code、Codex 这样的实际产品中，还需要处理大量具体问题：工具如何并行执行、用户能否中途追加指令、权限检查放在哪个环节、上下文接近上限时如何压缩，以及整个循环什么时候结束。

不同 Harness 对这些问题的处理方式并不相同。

Claude Code、Codex、OpenCode、Pi、Oh My Pi 和 DeepSeek Harness 的 Agent Loop，从循环结构、工具执行、上下文管理到扩展机制，逐一梳理了六套系统的具体实现。

六套系统遵循相似的基本流程，但在循环的组织方式、状态管理和扩展机制上，各有不同的设计取舍。

Claude Code

Claude Code 的 agent loop 是一个单线程主循环：调用模型 → 有 tool_use 就执行 → 结果回填 → 再调用，直到模型给出不含工具调用的回复。

循环本身很简单，复杂度都放在工具、权限、hooks、自动压缩和子 agent 上。

循环结构

• 官方把它叫 agentic loop：收集上下文 → 行动 → 验证，三个阶段交织进行。
• 实现上就是一个 while 循环：模型输出里有 tool_use 就继续，没有就结束。
• 一次“模型输出 + 执行工具 + 回填结果”称为一个 turn。
• Agent SDK 暴露的就是同一个循环，CLI / 桌面 / IDE 共用。

一次模型调用

• 每次请求都带上：系统提示、CLAUDE.md、工具定义、完整历史。
• 不变的前缀走 prompt caching，降低重复成本。
• effort 控制推理深度；thinking 块单独输出。
• 每次响应返回后累计 cost，用来做预算检查。

工具执行

• 同一轮多个调用：只读工具（Read / Glob / Grep、标注只读的 MCP）并发执行。
• 改状态的工具（Edit / Write / Bash）串行执行。
• 执行前过权限：PreToolUse hook → deny / allow 规则 → 权限模式 → 询问用户。
• auto 模式用一个分类器模型审查命令和网络请求。

用户插话

• 可以随时中断、换方向、补信息或让它换种做法。
• 流式输入下，运行中发来的消息先排队，并入后续的模型调用。
• 到 maxTurns 时仍在排队的消息不并入，而是另起一个新的 turn。

上下文压缩

• 接近窗口上限自动压缩：先清旧工具输出，再摘要对话。
• 流里发出 compact_boundary；PreCompact hook 可先归档全文。
• 单个超大输出导致反复压缩时，几次后停止并报错，不会死循环。
• 可在 CLAUDE.md 写明“压缩时要保留什么”。

停止条件与子 agent

• 模型回复里没有 tool_use → 结束，返回 ResultMessage（含 cost / usage）。
• maxTurns（只计工具轮）/ maxBudgetUsd 封顶，超了返回错误子类型。
• Stop hook 可以 block 停止，让 Claude 接着干。
• Agent 工具派生子 agent：全新上下文，只把最终回复交回父循环；预算含子 agent。

Agent Loop 运行流程图

核心循环伪代码

*按官方文档还原

messages = [system, CLAUDE_md, *history, user_input]    # UserPromptSubmit
while True:
    maybe_auto_compact(messages)                         # PreCompact: 清旧输出 → 摘要
    resp = claude.stream(messages, tools, effort)        # thinking / text / tool_use
    messages.append(resp)
    if not resp.tool_uses:
        if stop_hook(resp) == "block":                   # Stop hook 让它继续
            messages.append(stop_reason); continue
        return Result(resp.text, cost, usage)
    allowed = [c for c in resp.tool_uses if permitted(c)] # PreToolUse → 规则 → 模式 → 询问
    results = run_parallel([c for c in allowed if c.read_only])
    results += run_serial([c for c in allowed if not c.read_only])
    messages.append(user(tool_results=results))          # PostToolUse
    messages += drain_queued_user_messages()             # 运行中排队的插话
    if turns >= max_turns or cost >= max_budget:
        return Error("error_max_turns / error_max_budget_usd")

扩展点：在循环的哪里插手

• UserPromptSubmit：提交输入前；可改写、补上下文或拦截。
• PreToolUse：工具执行前；可拒绝、放行或改参数。
• PermissionRequest：将弹权限框时；可代替用户决定。
• PostToolUse：工具执行后；可给模型追加反馈。
• PostToolBatch：一批工具全部完成后。
• PreCompact / PostCompact：自动或手动压缩前后。
• Stop：将要结束时；可 block 让它继续。
• SubagentStart / SubagentStop：子 agent 起止。

设计取舍

亮点

• 循环本身极简，复杂度都在工具、权限和 hooks 上。
• 读并发、写串行，兼顾速度与安全。
• Stop hook、预算、子 agent 让循环可以被外部编排。
• Hook 事件量丰富，几乎每个阶段都能插手。

代价

• 源码不开源，内部调度细节只能看文档。
• 子 agent 只回传最终回复，父循环看不到中间过程。
• 压缩是有损摘要，早期细节可能丢失。

Claude Code 的循环是“薄循环 + 厚外壳”：循环只管调模型和执行工具，安全与控制都交给权限系统和 hooks。

来源

[1] Claude Code — 工作原理
https://code.claude.com/docs/en/how-claude-code-works
[2] Claude Code — Agent Loop 官方文档
https://code.claude.com/docs/en/agent-sdk/agent-loop
[3] Claude Code — Hooks 参考文档
https://code.claude.com/docs/en/hooks

Codex

Codex（codex-rs）里，一次用户输入启动一个 turn，turn 内循环多次采样：每次采样是一次 Responses API 请求，加上执行这次响应里的全部工具调用。

循环条件是 needs_follow_up：模型还要继续，或者还有用户插话没并入。

循环结构

• 客户端和内核通过 SQ / EQ 通信：提交 Op 进队列，内核推回 EventMsg。
• run_turn() 里是一个 loop：并入插话 → 采样 → 执行工具 → 判断是否继续。
• 一个 Thread 同一时间只有一个活跃 turn。
• turn 开始前先跑 SessionStart / UserPromptSubmit hooks。

一次模型调用

• build_prompt：历史 ResponseItem + 工具定义 + parallel_tool_calls: true。
• 流式接收：文本、推理、计划更新实时推给客户端。
• 断流按 stream_max_retries 自动重试。
• turn_context 固定本轮的模型、沙箱、审批策略等设置。

工具执行

• 边流边执行：OutputItemDone 一到就启动工具 future，不等整段响应结束。
• FuturesOrdered 保证结果按调用顺序回填。
• 并行闸门是读写锁：支持并行的工具拿读锁并发，其它拿写锁独占。
• ToolOrchestrator：审批 → 选沙箱 → 执行 → 被沙箱拦截则升级重试（不重复审批）。

用户插话

• turn 运行中可以 turn/steer：消息进 input_queue，不断开 turn。
• 每次采样前取出 pending input 并入（先过 UserPromptSubmit hook）。
• 还有没并入的输入也算 needs_follow_up，循环会继续。
• turn/interrupt 中断当前 turn，并记录 turn_aborted。

上下文压缩

• 采样前检查：超过 model_auto_compact_token_limit 先压缩。
• 采样后如果还要继续且已到上限，原地压缩后接着跑（也支持远端压缩）。
• 换成窗口更小的模型时，会先用旧模型压一遍。
• 压缩结果写成 Compacted 记录，替换历史。

停止条件与多 agent

• needs_follow_up 为假 → 运行 Stop hooks。
• Stop hook 可以 block，并把续写提示作为新输入注入，循环继续。
• 否则推送 TurnComplete 到 EQ，turn 结束。
• 多 agent：子 agent 是独立 Thread，父 turn 通过工具收结果。

Agent Loop 运行流程图

核心循环伪代码

*简化自 codex-rs/core/src/session/turn.rs

async fn run_turn(sess, input) {
    run_hooks_and_record_inputs(&input).await;           // SessionStart / UserPromptSubmit
    run_pre_sampling_compact().await;                    // 超阈值先压缩
    loop {
        let pending = input_queue.get_pending_input();   // turn/steer 插话
        run_hooks_and_record_inputs(&pending).await;
        let r = run_sampling_request(build_prompt(history, tools)).await;
        // 流式事件里 OutputItemDone(FunctionCall) → in_flight.push_back(tool_future)
        // 工具：RwLock 读并行 / 写独占；审批 → 沙箱 → 执行 → 升级重试
        drain_in_flight().await;                          // 按顺序回填 FunctionCallOutput
        let follow = r.needs_follow_up || input_queue.has_pending_input();
        if follow && token_limit_reached { run_auto_compact().await; continue; }
        if !follow {
            match run_turn_stop_hooks().await {
                Block(prompt) => record(prompt),        // Stop hook 要求继续
                _ => break,
            }
        }
    }
    send_event(TurnComplete);                             // 推到 EQ
}

扩展点：在循环的哪里插手

• SessionStart：会话开始 / 恢复 / 压缩后。
• UserPromptSubmit：每条输入（含 steer）并入前。
• PreToolUse：工具执行前；可拦截。
• PermissionRequest：需要审批时。
• PostToolUse：工具执行后。
• Stop：turn 将结束；可 block 并给续写提示。

设计取舍

亮点

• 工具边流边跑，长响应里的调用不必等到最后。
• 沙箱 + 审批 + 升级重试统一在编排器里，安全模型最完整。
• steer 并入当前 turn，插话不会打断节奏。
• 压缩分采样前、采样中两个时机，长任务不容易爆窗口。

代价

• 一个 Thread 同时只有一个活跃 turn。
• 工具能否并行靠工具自报，默认保守（独占）。
• 逻辑分散在 turn.rs / tasks / tools 多个模块，读起来较重。

Codex 的循环围绕“采样”组织：边流边执行工具，安全由沙箱编排器兜底，needs_follow_up 决定是否再采样。

来源

[1] OpenAI — Codex 官方仓库
https://github.com/openai/codex
[2] Codex — Agent Loop 主循环（turn.rs）
https://github.com/openai/codex/blob/main/codex-rs/core/src/session/turn.rs
[3] Codex — 工具并行执行（parallel.rs）
https://github.com/openai/codex/blob/main/codex-rs/core/src/tools/parallel.rs
[4] Codex — 工具执行编排（orchestrator.rs）
https://github.com/openai/codex/blob/main/codex-rs/core/src/tools/orchestrator.rs
[5] Codex — Hooks 运行时（hook_runtime.rs）
https://github.com/openai/codex/blob/main/codex-rs/core/src/hook_runtime.rs
[6] Codex — Hooks 模块
https://github.com/openai/codex/blob/main/codex-rs/hooks/src/lib.rs

OpenCode

OpenCode 的循环由 SessionRunner 驱动：从 SQLite 里的 inbox 取输入，按 step 循环；每个 step 是一次模型请求，有工具调用就再来一步。

工具在流里一出现就执行，每个 step 前后各抓一次 Git 快照，压缩、重试、续写都在 step 内部处理。（基于当前 dev 分支的 core 重写版）

循环结构

• SessionRunner.drain：取一条输入，然后 while 按 step 推进。
• 每个 step 一次模型请求；needsContinuation（有工具调用）就 step++ 再来。
• runStep 内部还有一层循环，专门处理压缩、重试和续写。
• 用 Effect 编写，状态变化通过事件总线推给各个客户端。

一次模型调用

• 每个 step 重新加载上下文：instructions、agent、模型、工具、历史。
• 超过 agent.steps 时追加 MAX_STEPS 提示，并设置 toolChoice: none。
• 请求发出的同时并行抓 step-start 快照，不拖慢首字。
• 最后一步也保留工具定义，以命中 provider 的前缀缓存。

工具执行

• 流里一出现 tool-call 事件就执行（fiber 并发），不等整段响应结束。
• provider 自己执行的工具（providerExecuted）跳过本地执行。
• 权限规则 allow / ask / deny；ask 会弹窗，拒绝时抛 DeclinedError。
• 参数没写完的调用不执行，回给模型“请重新发起”。

用户插话（Inbox）

• inbox 每条都带 delivery：queue（等空闲）或 steer（运行中插入）。
• 运行中只取 steer；到了空闲边界才取一条 queue 输入。
• inbox 还能装控制项：compaction（手动压缩）、move（迁移会话位置）。
• 进程重启后，先清理残留的压缩和工具调用，再继续。

压缩与失败恢复

• 每个 step 前跑 compaction.compact(auto)，压完重新加载再继续。
• 请求报上下文溢出 → 以 overflow 为原因压缩一次后重来。
• 可重试错误按策略等待；断流时合成一句“请从中断处继续”。
• attempt 结果：Completed / Retry / Continue / Compacted / RecoverFull。

停止条件与子 agent

• needsContinuation 为假（没有工具调用）→ 本次 drain 完成。
• step 结算：结束快照 → patch 文件差异 → tokens / cost。
• 达到 agent.steps 上限时，强制只输出文字总结。
• 子 agent 以子 Session 运行，完成后把结果回传父会话。

Agent Loop 运行流程图

核心循环伪代码

*简化自 packages/core/src/session/runner/llm.ts、step.ts

drain(sessionID):
    settleStaleCompactions(); settleStaleToolCalls()      # 崩溃后的收尾
    whiletrue:
        next = advanceToStep()                             # 从 inbox 提升 queue / steer 输入
        if next != Ready: return next                      # Complete / Moved / Reloaded
        continuing = runStep(next.context, step); step += 1

runStep(ctx, step):
    whiletrue:                                            # 压缩 / 重试 / 续写循环
        if compaction.compact(reason="auto").completed: continue
        req = buildRequest(ctx, maxStepsPrompt if step >= agent.steps)
        outcome = attempt(req)                             # 流里 tool-call → 立即执行（并发）
        match outcome:                                     # 权限 allow / ask / deny
            Completed(needsContinuation) -> return needsContinuation
            Retry       -> retry.wait()
            Continue    -> retry.wait(); synthetic("请从中断处继续")
            Compacted   -> 上下文溢出，已压缩，重来

扩展点：在循环的哪里插手

• tool · execute.before：工具执行前；可拒绝调用。
• tool · execute.after：工具执行后；可改写输出。
• permission · evaluate：权限判定时参与决策。
• session · request 等：请求构造、压缩、标题生成等环节。
• aisdk：改 AI SDK / provider 参数。
• 事件总线（SSE）：所有状态变化实时推给 TUI / 桌面 / IDE。

设计取舍

亮点

• 工具边流边跑，step 状态全在数据库，崩溃后可恢复。
• 每个 step 前后各一次 Git 快照，可精确回退到 step。
• inbox 统一承载输入和控制项（压缩、迁移）。
• step 上限到了强制总结，避免无限循环。

代价

• 依赖 SQLite + 事件总线，比纯日志实现更重。
• Effect 风格代码门槛较高。
• core 正在重写（dev 分支），实现变化快。

OpenCode 把 agent loop 做成“数据库驱动的 step 机”：输入、状态、快照都落库，客户端只订阅事件。

来源

[1] opencode — 官方仓库
https://github.com/anomalyco/opencode
[2] opencode — SessionRunner 入口（index.ts）
https://github.com/anomalyco/opencode/blob/dev/packages/core/src/session/runner/index.ts
[3] opencode — 模型调用与循环处理（llm.ts）
https://github.com/anomalyco/opencode/blob/dev/packages/core/src/session/runner/llm.ts
[4] opencode — 输入队列（inbox.ts）
https://github.com/anomalyco/opencode/blob/dev/packages/core/src/session/inbox.ts
[5] opencode — 权限控制（permission.ts）
https://github.com/anomalyco/opencode/blob/dev/packages/core/src/permission.ts
[6] opencode — 插件包定义
https://github.com/anomalyco/opencode/blob/dev/packages/plugin/package.json

Pi

Pi 的 agent loop 是一个极简双层循环：内层在“还有工具调用或 steering 插话”时继续调模型，外层在要停时检查 follow-up。

循环只认几个回调（prepareNextTurn / prepareRequest / beforeToolCall / afterToolCall / finishTurn），压缩、重试、扩展全由外面的 AgentSession 挂上去。

循环结构

• agentLoop() → runLoop：内层 while 处理工具和 steering，外层 while 处理 follow-up。
• 内层条件：hasMoreToolCalls || pendingMessages.length > 0。
• 全程用 AgentMessage，只在调模型那一刻 convertToLlm。
• 对外是事件流：agent_start / turn / message / tool_execution_* / agent_end。

一次模型调用

• prepareNextTurn：上一轮结束后可换上下文、模型、思考级别。
• 注入消息前先算工具增删，写成 system 消息（toolsAdded / toolsRemoved）。
• prepareRequest：AgentSession 从会话树投影上下文，虚拟模型在这里路由。
• transformContext → convertToLlm → 流式调用。

工具执行

• 默认 parallel：先逐个 prepare（校验 + beforeToolCall），再 Promise.all 并发执行。
• 批次里只要有一个 executionMode: sequential 的工具，整批改为串行。
• afterToolCall 可改写结果；结果按模型给出的顺序回填。
• 所有结果都带 terminate 时，提前结束内层循环。

用户插话

• steering：运行中插话，在每一轮之间注入（包括压缩等长准备之后再取一次）。
• follow-up：agent 本来要停时才取，让外层再跑一圈。
• 两个队列都可选 one-at-a-time（默认）或 all。
• finishTurn 可返回 continue，不加新消息也再跑一轮。

压缩与失败恢复

• stopReason 为 error / aborted：直接结束本次 run，不在循环里重试。
• AgentSession 在 run 结束后：可重试错误 → 退避自动重试（maxRetries）。
• 上下文溢出 → 压缩后重试；超阈值 → 压缩但不重试；轮间准备阶段也会检查阈值。
• 输出被 length 截断：整批工具调用不执行，回错误让模型重发。

停止条件与子 agent

• 没有工具调用、也没有 steering → 内层结束。
• 没有 follow-up、也没有 continue 决定 → agent_end。
• 扩展的 finishTurn 返回 end 可以随时提前结束。
• 核心刻意不带子 agent 和 plan mode，需要就用扩展或 package 自己加。

Agent Loop 运行流程图

核心循环伪代码

*简化自 packages/agent/src/agent-loop.ts

let pending = await getSteeringMessages()
while (true) {                                      // 外层：follow-up
    let hasMoreToolCalls = true
    while (hasMoreToolCalls || pending.length > 0) {  // 内层：工具 + steering
        if (lastTurn) await prepareNextTurn(lastTurn) // 换模型 / 上下文、可压缩
        inject(declareToolChanges(ctx, pending)); pending = []
        await prepareRequest(ctx)                     // 会话投影 · 模型路由
        const msg = await streamAssistantResponse(ctx) // transformContext → convertToLlm
        if (msg.stopReason === 'error' || msg.stopReason === 'aborted') return end()
        const batch = msg.stopReason === 'length'
            ? failTruncatedToolCalls(msg)             // 截断可能截断，不执行
            : await executeToolCalls(msg)             // parallel / sequential
        hasMoreToolCalls = msg.toolCalls.length > 0 && !batch.terminate
        const d = await finishTurn(lastTurn = {msg, batch}) // end / continue
        if (d?.action === 'end') return end()
        pending = await getSteeringMessages()
    }
    const followUp = await getFollowUpMessages()
    if (followUp.length) { pending = followUp; continue }
    if (explicitContinuation) continue                // finishTurn 要求再跑一轮
    break
}
emit('agent_end')                                   // AgentSession: 重试 / 压缩

扩展点：在循环的哪里插手

• prepareNextTurn：每轮之间；换上下文、模型、思考级别。
• prepareRequest：请求前；投影上下文、路由模型。
• transformContext / convertToLlm：改写上下文、转成模型消息。
• beforeToolCall → tool_call：工具前；扩展可拦截、改参。
• afterToolCall → tool_result：工具后；扩展可改写结果。
• finishTurn → turn_end：每轮结束；扩展可 end / continue。
• before_agent_start：run 开始前；可改系统提示、工具。
• agent_before_settle：run 将停时；扩展可让它继续。

设计取舍

亮点

• 循环不到一千行，双层结构一眼能看懂。
• 所有策略都是回调，压缩、重试、路由都能替换。
• 工具声明 sequential 就自动降级串行，并发安全由工具自报。
• 截断的工具调用一律不执行，避免拿残缺参数做事。

代价

• 重试和溢出恢复都在 run 结束后，失败要重跑整轮请求。
• 没有内置权限审批、安全靠扩展自己写。
• 不带子 agent、plan mode，复杂编排要自己搭。

Pi 把 agent loop 压到最小：循环只管“调模型 → 跑工具 → 收插话”，其余能力都通过回调和扩展挂上去。

来源

[1] Pi — 官方仓库
https://github.com/earendil-works/pi
[2] Pi — Agent Loop 核心实现（agent-loop.ts）
https://github.com/earendil-works/pi/blob/main/packages/agent/src/agent-loop.ts
[3] Pi — Agent 状态与调用（agent.ts）
https://github.com/earendil-works/pi/blob/main/packages/agent/src/agent.ts
[4] Pi — 会话管理（agent-session.ts）
https://github.com/earendil-works/pi/blob/main/packages/coding-agent/src/core/agent-session.ts
[5] Pi — 项目说明
https://github.com/earendil-works/pi/blob/main/README.md

Oh My Pi

Oh My Pi 继承 Pi 的双层循环：外层处理 follow-up，内层在“还有工具调用或插话”时持续调用模型。

它在上面加了工具并发分级、可中断工具、TTSR 流内规则、LoopGuards 纠偏和 advisor 旁路审查，重试与压缩由外面的 AgentSession 负责。

循环结构

• agentLoop() → runLoop：外层 while 处理 follow-up，内层 while 处理工具和 steering。
• 内层条件：hasMoreToolCalls || pendingMessages.length > 0。
• 对外是事件流：agent_start / turn_start / message / tool_execution / turn_end / agent_end。
• AgentSession 包在外面，负责持久化、重试、压缩、advisor 等。

一次模型调用

• transformContext（扩展可改写）→ convertToLlm → 规范化成 provider 消息。
• 支持的 provider 可以在流中途直接接收 live steering。
• TTSR：流里命中规则就中止本次输出，注入规则后重来。
• 设了 deadline 时超时即停，不再发下一次请求。

工具执行

• 先 prepare：参数校验 + beforeToolCall 钩子（可改参 / 拒绝）。
• concurrency：shared 并发执行，exclusive 等前面全部完成后独占。
• afterToolCall 钩子处理结果；结果按批次顺序发出。
• 找不到工具时，给模型提示相近的工具名。

用户插话

• steering：运行中插话，在工具批次边界注入。
• 可中断工具（wait 等）会被 steering 立刻打断；bash 等只收软信号，不会被杀。
• asides：不打断的旁注（如 advisor 便签），随下一轮带上。
• follow-up：等 agent 完全停下后再开新一轮。

失败恢复与纠偏

• stopReason 为 error / aborted：为未完成的 toolCall 补占位结果。
• turn-recovery：瞬时错误重试，额度受限时等待或切到备用模型链。
• 自动压缩、自动重试在 AgentSession 层，turn 结束后检查。
• LoopGuards：同一工具调用反复出现时，注入纠偏提示。

停止条件与子 agent

• 没有 toolCall、也没有 steering → 内层结束。
• 再查迟到的 steering、asides、follow-up，有就让外层再跑一圈。
• 都没有 → agent_end。
• task 工具派生子 agent，可隔离运行。

Agent Loop 运行流程图

核心循环伪代码

*简化自 packages/agent/src/agent-loop.ts

let pending = await getSteeringMessages()
while (true) {                                         // 外层：follow-up
    while (hasMoreToolCalls || pending.length > 0) {     // 内层：工具 + steering
        inject(pending); pending = []
        const ctx = convertToLlm(await transformContext(messages))
        const msg = await streamAssistantResponse(ctx)   // TTSR 命中 → 中止 + 注入规则 + 重来
        if (msg.stopReason === 'error' || msg.stopReason === 'aborted') {
            emitPlaceholderToolResults(msg); return      // AgentSession 负责重试
        }
        const prepared = await prepareToolCallDispatch(msg) // 校验 + beforeToolCall
        const results = await executeToolCalls(prepared)  // shared 并发 / exclusive 屏障
        emit('turn_end')                                  // 外层：LoopGuards、压缩、advisor
        hasMoreToolCalls = msg.toolCalls.length > 0
        pending = [...await getSteeringMessages(), ...asides()]
    }
    pending = [...lateSteering, ...asides(), ...await getFollowUpMessages()]
    if (pending.length === 0) break
}
emit('agent_end')

扩展点：在循环的哪里插手

• transformContext：每次请求前改写上下文。
• convertToLlm：把 AgentMessage 转成模型消息。
• beforeToolCall：工具前；可改参、拒绝、附加上下文。
• afterToolCall：工具后；可改写结果。
• getSteering / FollowUp / Aside：三种插话队列的取数回调。
• extensions / hooks runner：扩展可订阅全部 agent 事件。

设计取舍

亮点

• 沿用 Pi 的双层循环，结构简单好懂。
• 插话分软硬：等待类工具立刻打断，有副作用的工具不被硬杀。
• TTSR、LoopGuards、advisor 把“纠偏”做进了循环。
• shared / exclusive 让工具自己声明并发安全性。

代价

• agent-loop.ts 约 4000 行，边界处理很多。
• 很多能力在 AgentSession 层（约 1.3 万行），循环和会话耦合。
• TTSR 中止重来会多花 token。

Oh My Pi 保留了 Pi“外层 follow-up + 内层工具”的简单骨架，再在流中、工具批次边界和 turn 结束三处加入纠偏能力。

来源

[1] oh my pi — 官方仓库
https://github.com/can1357/oh-my-pi
[2] oh my pi — Agent Loop 核心实现（agent-loop.ts）
https://github.com/can1357/oh-my-pi/blob/main/packages/agent/src/agent-loop.ts
[3] oh my pi — AgentSession 实现（agent-session.ts）
https://github.com/can1357/oh-my-pi/blob/main/packages/coding-agent/src/session/agent-session.ts
[4] oh my pi — 流式调用与会话机制说明
https://github.com/can1357/oh-my-pi/blob/main/docs/provider-streaming-internals.md

DeepSeek Harness

DeepSeek Harness（dsh）的 ReactLoopAgent 是一个可观察的状态机：turn → step → attempt 三层，每个边界都写进 Session 日志。

输入走两条持久队列（next-turn / next-step），压缩、目标续跑、审批都是挂在少数扩展点上的插件。

循环结构

• driver：kick() 里 while (await turn())，有积压输入就连续开 turn。
• 三层：turn（一次任务）→ step（一次请求 + 本次工具）→ attempt（失败重试）。
• 每个边界都落日志：turn/start、step/start、…、step/end、turn/end。
• 每次请求都从日志投影（Surface）构造，不在内存另存历史。

一次模型调用

• agent/request waterfall：插件决定 provider / model / effort。
• 系统提示、运行时上下文按需写成 system/message、user/message。
• 流式帧实时广播（agent/assistant-stream），结束落 assistant/message。
• 失败落 assistant/attempt，由 agent/request-error 决定是否重试。

工具执行

• executeToolCalls：独占调用是屏障，并行调用进有界滚动池。
• 执行可以交叠，但结果和附加上下文按模型顺序提交。
• 调度分 prepare → dispatch → finalize，审批与钩子都落成事件。
• 中止时未启动的调用补合成错误结果，保证回放合法。

用户插话（Inbox）

• 两条持久队列：next-turn 与 next-step。
• followup → next-turn 并唤醒；steer → next-step 并唤醒；inject → next-step 不唤醒。
• 每个 step 前 preStep 领取 next-step（新 turn 再领一条 next-turn）。
• 取消默认清空队列；keepInbox 可保留。

压缩与失败恢复

• 压缩是插件：挂在 agent/pre-step，超阈值先压缩。
• 请求报上下文溢出时，挂在 agent/request-error 压缩后重试。
• 中断时保存已输出前缀（interrupted: true）；失败尝试不进模型可见历史。
• step 失败时为挂起的工具调用补 tool/result 再关闭 step。

停止条件与外层编排

• 无 tool-call → completed；输出到上限 → max-tokens（粘性，不会被后续覆盖）。
• 工具结果带 concludesTurn 也结束 turn；pre-step 拒绝 → blocked。
• 将停且 next-step 为空时触发 agent/turn-stopping，插件可再塞输入。
• 外层编排是插件：Goal（同会话续跑）与 Ralph（每轮新开子 agent）。

Agent Loop 运行流程图

核心循环伪代码

*简化自 packages/core/agent-loop/src/agent.ts

while (await this.turn()) {}                            // driver: inbox 有货就开下一个 turn
async turn() {
    log('turn/start')
    while (true) {
        const d = await preStep(target)                  // 领 inbox + agent/pre-step（压缩插件在这）
        if (d.kind === 'reject') { ends = 'blocked'; break }
        log('step/start')
        for (;;) {                                      // attempt 循环
            const cfg = await waterfall('agent/request') // 选 provider / model / effort
            msg = await stream(buildRequest(surface))   // 从日志投影出请求
            if (!failed) { log('assistant/message'); break }
            log('assistant/attempt')
            if ((await waterfall('agent/request-error'))?.kind !== 'retry') throw err
        }
        if (msg.toolCalls.length) await executeToolCalls() // 屏障 + 并行池、按序提交
        else ends = 'completed'
        log('step/end')
        if (ends && inbox.nextStep.length === 0) await serial('agent/turn-stopping')
        if (ends && inbox.nextStep.length === 0) break
        target = 'next-step'
    }
    log('turn/end', { reason: ends })
    return inbox.hasPending
}

扩展点：在循环的哪里插手

• agent/pre-step：waterfall：每个 step 前 enter / reject，可改写输入。
• agent/request：waterfall：决定本次请求的模型配置。
• agent/request-error：waterfall：请求失败时决定是否重试。
• agent/turn-stopping：serial：turn 将停时，可塞入新输入。
• agent/inbox/*：inserted / claimed / discarded。
• agent/status：idle ↔ running 状态切换。

设计取舍

亮点

• 每个边界都是日志事件，崩溃、回放、fork 都能对齐到 step。
• 状态机只开放少数 waterfall 扩展点，压缩、目标、审批全是插件。
• 工具并行执行、按序提交，速度和可重放兼得。
• turn 的结束原因结构化记录，便于 UI 和统计。

代价

• 概念多（turn / step / attempt / Surface / inbox），上手成本高。
• 行为取决于插件的 waterfall 顺序，排查要看日志。
• 项目较新，接口仍在快速演进。

DeepSeek Harness 把 agent loop 做成了“写日志的状态机”：循环只推进 turn / step，所有策略都通过扩展点插件化。

来源

[1] DeepSeek Harness — 官方仓库
https://github.com/deepseek-ai/deepseek-harness
[2] DeepSeek Harness — Agent Loop 核心实现（agent.ts）
https://github.com/deepseek-ai/deepseek-harness/blob/master/packages/core/agent-loop/src/agent.ts
[3] DeepSeek Harness — Agent Loop 模块说明
https://github.com/deepseek-ai/deepseek-harness/blob/master/packages/core/agent-loop/README.md
[4] DeepSeek Harness — 上下文压缩模块
https://github.com/deepseek-ai/deepseek-harness/blob/master/packages/compaction/README.md
[5] 不同harness的agent loop是怎么做的
https://xhslink.cn/o/8vbCd3WFQjy