北京
同一個航班搜索任務，有的AI助手像強迫癥患者，連調14次工具才放棄；有的卻兩步就返回清爽結果。差距不在模型，而在于是否被推理循環卡死。這種循環讓Agent白白燒掉Token和時間，看似在工作，實則原地轉圈。更荒唐的是，它每次都堅信“再試一次就完美了”。
早在2025年1月，專注大模型研究的The Decoder就指出，哪怕給Agent無限算力，過度思考反而拉低決策質量。對世界的不完整理解會觸發連鎖錯誤，每一步額外的推理不是更完善，而是更混亂。隨后社區接連曝出極端案例：當年7月Particula記錄到一個Agent狂奔847個推理步驟、每分鐘燒掉47美元，最后連個結果都沒憋出來，只會在邏輯里反復打磨、不斷索要新數據；12月CodiesHub直接掀了底，提煉出三大病根——目標含糊不清，Agent根本不知道何時收工；工具的反饋曖昧不明，找不到“已完成”的明確信號；缺乏硬性停機條件，沒有迭代次數或時間上限。
反饋模糊是推理循環最主要的點火器。想象一個搜票工具，就算已經把某個航線上所有結果都扒了出來，它返回的信息卻是“可能還有更多數據可用”。Agent就嗨了，以為自己遺漏了什么隱藏選項，馬上再用相同參數調一次，然后又一次，直到Token耗盡或者限流觸發。博主把這種工具比作永遠在回答“快了，馬上就好”的客服，Agent除了原地踏步別無選擇。
好在堵住循環不需要重寫整個智能體框架。原文跑通了一組完全與框架無關的模式：第一招是防抖鉤子，專門抓重復調用——當檢測到相同工具、相同參數在短時間內反復觸發，鉤子可以直接短路并返回上次的結果或者報終止。第二招是給每個工具打上明確的結束狀態，要么SUCCESS，要么FAIL，絕對不能留下“還有部分數據”這種曖昧尾巴。第三招是硬性計數限制，無論Agent多想再試一次，到達預設的最大調用次數就強制停止，吐出當前已有的數據。這些模式在Strands Agents上做過驗證，同樣適用于LangGraph、AutoGen和CrewAI等任何支持生命周期鉤子的框架。
配套Demo很直觀：用那種“可能還有更多數據”的工具去做搜索，Agent像上了發條反復調了14次；換成嚴格返回SUCCESS/FAIL的版本，兩次調用就收斂輸出最終結果。代碼都公開在github.com/aws-samples/sample-why-agents-fail倉庫里。該系列還一同放出了對付上下文窗口溢出的內存指針模式，以及針對慢速外部API的MCP工具異步斷連方案。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
