Agent 主循环那个 while-loop 和它的护城河所有 AI Agent 的核心都是一个 while-loop。调模型跑工具把结果喂回去再调模型。听起来简单到令人怀疑——但正是这个简单的循环构成了今天最强编程助手最深的工程护城河。前言如果你去问任何一个 AI Agent 的架构师「你们的核心是什么」他们大概率会指着一段伪代码说「就这个 while-loop。」然后你会觉得很失望。一个循环一个while(true)这就是传说中的 AI Agent是的。但这就像说「火箭引擎就是个管子往后面喷火」一样——技术上正确但完全忽略了工程实现中的复杂度。在上一篇文章中我们从高空俯瞰了 Claude Code 的 25 个子系统。今天我们要深入到整个系统的绝对核心——Agent 主循环。这个循环是 Claude Code 乃至所有 Agent 系统的心脏理解它就理解了 Agent 工程的本质。Agent Loop 的本质在深入源码之前让我们先从理论层面理解 Agent Loop 的本质。2023 年Yao 等人在 ICLR 上发表的 ReAct 论文提出了一个关键洞察LLM 的推理Reasoning和行动Acting应该交替进行而不是分离。这个洞察直接催生了现代 Agent Loop 的基本范式while (任务未完成) { 1. 思考Think—— LLM 分析当前状态决定下一步行动 2. 行动Act—— 执行一个工具调用 3. 观察Observe—— 获取工具执行的结果 4. 将观察结果反馈给 LLM }这个循环的精妙之处在于每一轮迭代都在扩展 Agent 的知识。第一轮Agent 可能只知道用户的指令第二轮它可能已经读取了相关文件第三轮它可能已经执行了搜索命令并获得了结果。每一轮的观察结果都成为下一轮推理的输入。Claude Code 的 Agent Loop 在此基础上进行了大量工程化改造但核心逻辑完全一致。Claude Code 的核心循环实现让我们直接看源码。以下是根据 Claude Code v2.1.88 源码还原的核心循环实现// agent-loop/core.ts - Agent 主循环核心实现简化还原// 这是整个 Claude Code 最核心的代码所有功能都围绕这个循环展开interfaceAgentLoopState{messages:Message[];// 完整的对话历史context:ContextWindow;// 当前上下文窗口经过压缩turnCount:number;// 当前轮次totalTokens:number;// 累计消耗的 Token 数pendingToolCalls:ToolCall[];// 等待执行的工具调用}classAgentLoop{privatestate:AgentLoopState;privateconfig:AgentConfig;privatetools:ToolRegistry;privatepermissions:PermissionPolicy;privatecontextManager:ContextManager;privateapiClient:APIClient;asyncrun(initialPrompt:string):PromiseAgentResult{// 将用户的初始输入加入消息历史this.state.messages.push({role:user,content:initialPrompt,});// 核心循环开始 while(true){try{// 第一步上下文管理——确保消息不超过上下文窗口限制// 这是整个循环中最关键的工程决策之一this.state.contextawaitthis.contextManager.compress(this.state.messages,this.config.maxContextTokens);// 第二步调用 LLM API// 传入压缩后的上下文和所有可用工具的定义constresponseawaitthis.apiClient.createMessage({model:this.config.model,system:this.state.context.systemPrompt,messages:this.state.context.messages,tools:this.tools.getDefinitions(),// 注册的所有工具max_tokens:this.config.maxOutputTokens,stream:true,// 流式响应});// 第三步处理流式响应// Claude 可能在一次响应中混合文本和工具调用constprocessedResponseawaitthis.processStream(response);// 第四步将 assistant 的响应加入消息历史this.state.messages.push({role:assistant,content:processedResponse.content,});// 第五步检查是否有工具调用需要执行consttoolCallsextractToolCalls(processedResponse);if(toolCalls.length0){// 没有工具调用 LLM 认为任务完成或需要用户输入// 将响应展示给用户等待下一步指令this.displayResponse(processedResponse);constuserInputawaitthis.waitForUserInput();if(userInputnull){// 用户选择退出return{status:completed,messages:this.state.messages};}this.state.messages.push({role:user,content:userInput,});continue;// 继续循环}// 第六步执行所有工具调用// 注意某些工具调用可能需要用户确认权限系统consttoolResultsawaitthis.executeToolCalls(toolCalls);// 第七步将工具执行结果加入消息历史for(constresultoftoolResults){this.state.messages.push({role:user,// 工具结果以 user 消息的形式传回content:[{type:tool_result,tool_use_id:result.id,content:result.output,}],});}// 更新轮次计数和 Token 统计this.state.turnCount;this.state.totalTokensprocessedResponse.usage.total_tokens;// 第八步安全检查——防止无限循环if(this.state.turnCountthis.config.maxTurns){this.displayWarning(达到最大轮次限制自动停止);return{status:max_turns,messages:this.state.messages};}}catch(error){// 错误处理网络错误、API 限流、工具执行失败等constrecoveredawaitthis.handleError(error);if(!recovered){return{status:error,error,messages:this.state.messages};}// 如果恢复成功继续循环}}// 核心循环结束 }}这段代码虽然经过简化但已经完整呈现了 Claude Code Agent Loop 的核心逻辑。让我们逐一解析其中的关键设计决策。循环中的状态管理Agent Loop 的状态管理是整个系统中最微妙的部分。状态不仅包括消息历史还包括上下文窗口、Token 计数、工具调用状态等多个维度。// state/conversation.ts - 对话状态管理简化还原// 状态管理的核心挑战如何在有限的上下文窗口中维护尽可能多的有用信息interfaceConversationState{// 消息层 fullHistory:Message[];// 完整的消息历史可能超过上下文窗口activeContext:Message[];// 当前活跃的上下文在上下文窗口内// 工具状态层 activeTools:Mapstring,ToolExecution;// 正在执行的工具completedTools:ToolResult[];// 已完成的工具结果toolCallChain:ToolCallChain;// 工具调用链用于调试// 会话元数据 sessionId:string;// 会话唯一标识startTime:number;// 会话开始时间turnCount:number;// 当前轮次tokenUsage:TokenUsage;// Token 使用统计// 错误恢复状态 lastCheckpoint:Checkpoint;// 最近一次检查点用于会话恢复retryState:RetryState;// 重试状态避免重复失败的操作}classStateManager{// 创建检查点——在关键操作前保存状态快照// 这使得会话恢复成为可能asynccheckpoint(state:ConversationState):PromiseCheckpoint{constsnapshot:Checkpoint{id:generateId(),timestamp:Date.now(),messages:deepClone(state.fullHistory),metadata:{turnCount:state.turnCount,tokenUsage:state.tokenUsage,},};// 异步持久化到磁盘不阻塞主循环awaitthis.persistence.save(snapshot);returnsnapshot;}// 状态压缩——当消息历史过长时进行压缩// 这是上下文管理的核心操作asynccompress(state:ConversationState):PromiseConversationState{consttokenCountthis.countTokens(state.fullHistory);if(tokenCountthis.config.maxContextTokens){returnstate;// 未超过限制无需压缩}// 压缩策略保留系统提示 最近 N 轮 关键工具结果摘要constcompressedawaitthis.contextManager.compress(state.fullHistory);return{...state,activeContext:compressed,// 注意fullHistory 仍然保留完整历史只是 activeContext 被压缩了};}}这里有一个重要的设计决策fullHistory 和 activeContext 的分离。完整历史始终保留在内存中或持久化到磁盘但只有 activeContext 会被发送给 LLM。这种设计使得会话恢复成为可能——即使 activeContext 被压缩了完整历史仍然可用调试追踪可以回溯到任何一轮的完整状态压缩是有损的但可逆的——如果需要可以从 fullHistory 重新构建 activeContext错误处理与重试在生产环境中Agent Loop 面临的错误类型远比想象中多样// agent-loop/error-handler.ts - 错误处理与重试策略简化还原// 这个模块体现了「在生产环境中一切都会出错」的工程信念classAgentErrorHandler{// 错误分类——不同类型的错误需要不同的处理策略privateclassifyError(error:Error):ErrorCategory{if(errorinstanceofAPIRateLimitError){return{type:rate_limit,retryable:true,backoff:exponential};}if(errorinstanceofAPITimeoutError){return{type:timeout,retryable:true,backoff:linear};}if(errorinstanceofContextWindowExceededError){return{type:context_overflow,retryable:true,backoff:compress};}if(errorinstanceofToolExecutionError){// 工具执行错误需要特殊处理——可能是权限问题也可能是工具本身的 bugreturn{type:tool_error,retryable:this.isToolRetryable(error),backoff:none};}if(errorinstanceofAuthenticationError){return{type:auth,retryable:false,backoff:none};}return{type:unknown,retryable:false,backoff:none};}asynchandleError(error:Error,state:AgentLoopState):PromiseRecoveryResult{constcategorythis.classifyError(error);switch(category.type){caserate_limit:// 限流错误等待 Retry-After 头指定的时间后重试constretryAftererror.retryAfter||60;awaitthis.sleep(retryAfter*1000);return{recovered:true,action:retry};casecontext_overflow:// 上下文溢出触发紧急压缩然后重试state.contextawaitthis.contextManager.emergencyCompress(state.messages,// 紧急压缩会更激进地裁剪历史{aggressive:true,preserveSystemPrompt:true});return{recovered:true,action:retry_with_compressed_context};casetool_error:// 工具错误将错误信息作为工具结果返回给 LLM// 让 LLM 自己决定如何处理——这是 ReAct 模式的精髓consttoolResult:ToolResult{tool_use_id:error.toolCallId,content:Error:${error.message},is_error:true,};state.messages.push({role:user,content:[{type:tool_result,...toolResult}],});return{recovered:true,action:continue_with_error};caseauth:// 认证错误无法自动恢复需要用户介入this.ui.displayError(认证失败请检查 API Key 或重新登录);return{recovered:false,action:abort};default:// 未知错误记录日志尝试有限次数的重试if(state.retryCountthis.config.maxRetries){state.retryCount;awaitthis.sleep(1000*state.retryCount);return{recovered:true,action:retry};}return{recovered:false,action:abort};}}}这段代码中最值得关注的设计是工具错误的处理方式当一个工具执行失败时Claude Code 不会简单地重试或终止而是将错误信息作为工具结果返回给 LLM。这体现了 ReAct 模式的一个核心优势——LLM 可以理解错误并自主决定下一步行动。比如如果git commit失败因为有未暂存的更改LLM 可能会决定先执行git add再重试。代码示例核心循环伪代码还原为了帮助理解让我们用更简洁的伪代码形式还原 Agent Loop 的核心逻辑# agent_loop_pseudocode.py - Agent 主循环伪代码# 这段伪代码浓缩了 Claude Code Agent Loop 的核心思想# 去掉了所有工程细节只保留了最本质的逻辑defagent_loop(user_message:str,tools:list[Tool])-str:Agent 主循环 - 所有 AI Agent 的心脏# 初始化状态messages[Message(roleuser,contentuser_message)]turn_count0whileTrue:# 第一步上下文压缩 # 如果消息总 Token 数超过上下文窗口限制进行压缩# 压缩策略包括消息裁剪、工具结果截断、历史摘要等ifcount_tokens(messages)MAX_CONTEXT_TOKENS:messagescontext_manager.compress(messages)# 第二步调用 LLM # 将消息历史和工具定义发送给 Claude API# 使用流式响应以提供实时反馈responseclaude_api.create_message(messagesmessages,toolstools,# 所有可用工具的定义systemSYSTEM_PROMPT,# 系统提示词streamTrue,# 流式响应)# 第三步解析响应 # Claude 的响应可能包含文本和工具调用的混合text_contentextract_text(response)tool_callsextract_tool_calls(response)# 将 assistant 的响应加入消息历史messages.append(Message(roleassistant,contentresponse.content))# 第四步判断是否需要继续 ifnottool_calls:# 没有工具调用 LLM 认为任务完成# 展示响应等待用户输入display(text_content)user_inputwait_for_input()ifuser_inputisNone:returnSession endedmessages.append(Message(roleuser,contentuser_input))continue# 继续循环处理用户的下一条消息# 第五步执行工具调用 fortool_callintool_calls:# 权限检查某些操作需要用户确认ifneeds_permission(tool_call):grantedask_user_permission(tool_call)ifnotgranted:# 用户拒绝了操作将拒绝信息反馈给 LLMmessages.append(create_tool_result(tool_call,Permission denied by user,is_errorTrue))continue# 执行工具try:resultexecute_tool(tool_call)exceptToolErrorase:# 工具执行失败将错误信息反馈给 LLM# LLM 会理解错误并决定下一步行动resultcreate_tool_result(tool_call,str(e),is_errorTrue)# 将工具结果加入消息历史messages.append(create_tool_result(tool_call,result))# 第六步安全检查 turn_count1ifturn_countMAX_TURNS:returnReached maximum turns# 循环回到第一步开始下一轮这段伪代码清晰地展示了 Agent Loop 的六个核心步骤上下文压缩 → 调用 LLM → 解析响应 → 判断继续 → 执行工具 → 安全检查。整个循环就是这六个步骤的不断重复。为什么 while-loop 是护城河看到这里你可能会问既然 Agent Loop 的逻辑这么简单为什么说它是护城河答案在于简单的循环逻辑 × 复杂的工程实现 巨大的护城河。让我用一个对比表格来说明维度学术论文中的 Agent LoopClaude Code 的 Agent Loop上下文管理假设无限上下文窗口五层压缩管线动态裁剪错误处理忽略或简单重试分类错误 智能恢复 LLM 自主决策工具执行同步、无超时异步、超时、重试、并行状态管理内存中的简单列表持久化、检查点、会话恢复安全控制无权限系统 沙箱 审计日志用户交互一次性输入输出多轮对话 实时反馈 打断生产就绪度原型级别数百万用户级别每一个「看起来简单」的步骤在生产环境中都需要大量的工程工作「调用 LLM」需要处理流式响应、超时重试、限流退避、模型切换「执行工具」需要权限校验、沙箱隔离、超时控制、并行执行「将结果喂回去」需要上下文压缩、Token 计数、消息格式转换「判断是否继续」需要处理用户中断、最大轮次限制、错误恢复这些工程细节的累积构成了巨大的护城河。一个团队可以复制 Claude Code 的循环逻辑但要复制它的工程成熟度需要数月甚至数年的迭代。护城河的三个层次技术护城河五层上下文压缩管线、智能错误恢复、流式处理优化——这些技术实现需要深入理解 LLM 的行为特性和生产环境的约束。数据护城河数百万用户的使用数据使得 Anthropic 可以持续优化循环中的每一个决策点——什么时候压缩、什么时候重试、什么时候询问用户。迭代护城河每一个生产环境中的 bug 和 edge case都会被转化为循环中的防御性代码。这些代码是时间的结晶无法被简单复制。总结Agent 主循环是 Claude Code 乃至所有 AI Agent 系统的核心。它看起来简单——一个 while-loop调模型跑工具喂结果——但在生产环境中的工程实现却极其复杂。通过本章的源码分析我们可以看到Agent Loop 的本质是 ReAct 模式的工程化实现思考 → 行动 → 观察 → 重复状态管理是循环中最微妙的部分fullHistory 和 activeContext 的分离是有意为之的设计错误处理不是事后添加的功能而是循环的核心逻辑工具错误被反馈给 LLM 让其自主决策简单的循环逻辑 × 复杂的工程实现 巨大的护城河在下一篇文章中我们将聚焦于 Claude Code 的启动链路——从用户输入claude命令到 Agent Loop 开始运行之间发生了什么。参考资料Claude Code v2.1.88 源码分析— 基于 2025 年 3 月泄露的 npm 包逆向分析Yao, S. et al. (2023). “ReAct: Synergizing Reasoning and Acting in Language Models”— ICLR 2023 — Agent Loop 的理论基础Anthropic (2024). “Tool Use (Function Calling) with Claude”— https://docs.anthropic.com/en/docs/tool-use — Claude 工具调用的官方文档Shinn, N. et al. (2023). “Reflexion: Language Agents with Verbal Reinforcement Learning”— NeurIPS 2023 — Agent 错误处理与自我反思的理论基础Anthropic (2025). “Claude Code Best Practices”— https://www.anthropic.com/engineering/claude-code-best-practices — Claude Code 工程实践的官方分享本文是「Claude Code 源码深度解析」系列的第二篇。下一篇文章将聚焦于启动链路——从claude命令到 Agent Loop 启动之间的完整初始化过程。本系列覆盖AI 大模型基础、Agent 开发、MCP 协议、Skill 开发、RAG、模型微调、部署推理七大方向从入门到实战的全栈内容持续更新中。所有文章的 Markdown 源文件、可运行代码、高清配图已整理成完整资料包。 点赞 ⭐ 关注评论区扣「1」挨个发你领取方式
Agent 主循环那个 while-loop 和它的护城河所有 AI Agent 的核心都是一个 while-loop。调模型跑工具把结果喂回去再调模型。听起来简单到令人怀疑——但正是这个简单的循环构成了今天最强编程助手最深的工程护城河。前言如果你去问任何一个 AI Agent 的架构师「你们的核心是什么」他们大概率会指着一段伪代码说「就这个 while-loop。」然后你会觉得很失望。一个循环一个while(true)这就是传说中的 AI Agent是的。但这就像说「火箭引擎就是个管子往后面喷火」一样——技术上正确但完全忽略了工程实现中的复杂度。在上一篇文章中我们从高空俯瞰了 Claude Code 的 25 个子系统。今天我们要深入到整个系统的绝对核心——Agent 主循环。这个循环是 Claude Code 乃至所有 Agent 系统的心脏理解它就理解了 Agent 工程的本质。Agent Loop 的本质在深入源码之前让我们先从理论层面理解 Agent Loop 的本质。2023 年Yao 等人在 ICLR 上发表的 ReAct 论文提出了一个关键洞察LLM 的推理Reasoning和行动Acting应该交替进行而不是分离。这个洞察直接催生了现代 Agent Loop 的基本范式while (任务未完成) { 1. 思考Think—— LLM 分析当前状态决定下一步行动 2. 行动Act—— 执行一个工具调用 3. 观察Observe—— 获取工具执行的结果 4. 将观察结果反馈给 LLM }这个循环的精妙之处在于每一轮迭代都在扩展 Agent 的知识。第一轮Agent 可能只知道用户的指令第二轮它可能已经读取了相关文件第三轮它可能已经执行了搜索命令并获得了结果。每一轮的观察结果都成为下一轮推理的输入。Claude Code 的 Agent Loop 在此基础上进行了大量工程化改造但核心逻辑完全一致。Claude Code 的核心循环实现让我们直接看源码。以下是根据 Claude Code v2.1.88 源码还原的核心循环实现// agent-loop/core.ts - Agent 主循环核心实现简化还原// 这是整个 Claude Code 最核心的代码所有功能都围绕这个循环展开interfaceAgentLoopState{messages:Message[];// 完整的对话历史context:ContextWindow;// 当前上下文窗口经过压缩turnCount:number;// 当前轮次totalTokens:number;// 累计消耗的 Token 数pendingToolCalls:ToolCall[];// 等待执行的工具调用}classAgentLoop{privatestate:AgentLoopState;privateconfig:AgentConfig;privatetools:ToolRegistry;privatepermissions:PermissionPolicy;privatecontextManager:ContextManager;privateapiClient:APIClient;asyncrun(initialPrompt:string):PromiseAgentResult{// 将用户的初始输入加入消息历史this.state.messages.push({role:user,content:initialPrompt,});// 核心循环开始 while(true){try{// 第一步上下文管理——确保消息不超过上下文窗口限制// 这是整个循环中最关键的工程决策之一this.state.contextawaitthis.contextManager.compress(this.state.messages,this.config.maxContextTokens);// 第二步调用 LLM API// 传入压缩后的上下文和所有可用工具的定义constresponseawaitthis.apiClient.createMessage({model:this.config.model,system:this.state.context.systemPrompt,messages:this.state.context.messages,tools:this.tools.getDefinitions(),// 注册的所有工具max_tokens:this.config.maxOutputTokens,stream:true,// 流式响应});// 第三步处理流式响应// Claude 可能在一次响应中混合文本和工具调用constprocessedResponseawaitthis.processStream(response);// 第四步将 assistant 的响应加入消息历史this.state.messages.push({role:assistant,content:processedResponse.content,});// 第五步检查是否有工具调用需要执行consttoolCallsextractToolCalls(processedResponse);if(toolCalls.length0){// 没有工具调用 LLM 认为任务完成或需要用户输入// 将响应展示给用户等待下一步指令this.displayResponse(processedResponse);constuserInputawaitthis.waitForUserInput();if(userInputnull){// 用户选择退出return{status:completed,messages:this.state.messages};}this.state.messages.push({role:user,content:userInput,});continue;// 继续循环}// 第六步执行所有工具调用// 注意某些工具调用可能需要用户确认权限系统consttoolResultsawaitthis.executeToolCalls(toolCalls);// 第七步将工具执行结果加入消息历史for(constresultoftoolResults){this.state.messages.push({role:user,// 工具结果以 user 消息的形式传回content:[{type:tool_result,tool_use_id:result.id,content:result.output,}],});}// 更新轮次计数和 Token 统计this.state.turnCount;this.state.totalTokensprocessedResponse.usage.total_tokens;// 第八步安全检查——防止无限循环if(this.state.turnCountthis.config.maxTurns){this.displayWarning(达到最大轮次限制自动停止);return{status:max_turns,messages:this.state.messages};}}catch(error){// 错误处理网络错误、API 限流、工具执行失败等constrecoveredawaitthis.handleError(error);if(!recovered){return{status:error,error,messages:this.state.messages};}// 如果恢复成功继续循环}}// 核心循环结束 }}这段代码虽然经过简化但已经完整呈现了 Claude Code Agent Loop 的核心逻辑。让我们逐一解析其中的关键设计决策。循环中的状态管理Agent Loop 的状态管理是整个系统中最微妙的部分。状态不仅包括消息历史还包括上下文窗口、Token 计数、工具调用状态等多个维度。// state/conversation.ts - 对话状态管理简化还原// 状态管理的核心挑战如何在有限的上下文窗口中维护尽可能多的有用信息interfaceConversationState{// 消息层 fullHistory:Message[];// 完整的消息历史可能超过上下文窗口activeContext:Message[];// 当前活跃的上下文在上下文窗口内// 工具状态层 activeTools:Mapstring,ToolExecution;// 正在执行的工具completedTools:ToolResult[];// 已完成的工具结果toolCallChain:ToolCallChain;// 工具调用链用于调试// 会话元数据 sessionId:string;// 会话唯一标识startTime:number;// 会话开始时间turnCount:number;// 当前轮次tokenUsage:TokenUsage;// Token 使用统计// 错误恢复状态 lastCheckpoint:Checkpoint;// 最近一次检查点用于会话恢复retryState:RetryState;// 重试状态避免重复失败的操作}classStateManager{// 创建检查点——在关键操作前保存状态快照// 这使得会话恢复成为可能asynccheckpoint(state:ConversationState):PromiseCheckpoint{constsnapshot:Checkpoint{id:generateId(),timestamp:Date.now(),messages:deepClone(state.fullHistory),metadata:{turnCount:state.turnCount,tokenUsage:state.tokenUsage,},};// 异步持久化到磁盘不阻塞主循环awaitthis.persistence.save(snapshot);returnsnapshot;}// 状态压缩——当消息历史过长时进行压缩// 这是上下文管理的核心操作asynccompress(state:ConversationState):PromiseConversationState{consttokenCountthis.countTokens(state.fullHistory);if(tokenCountthis.config.maxContextTokens){returnstate;// 未超过限制无需压缩}// 压缩策略保留系统提示 最近 N 轮 关键工具结果摘要constcompressedawaitthis.contextManager.compress(state.fullHistory);return{...state,activeContext:compressed,// 注意fullHistory 仍然保留完整历史只是 activeContext 被压缩了};}}这里有一个重要的设计决策fullHistory 和 activeContext 的分离。完整历史始终保留在内存中或持久化到磁盘但只有 activeContext 会被发送给 LLM。这种设计使得会话恢复成为可能——即使 activeContext 被压缩了完整历史仍然可用调试追踪可以回溯到任何一轮的完整状态压缩是有损的但可逆的——如果需要可以从 fullHistory 重新构建 activeContext错误处理与重试在生产环境中Agent Loop 面临的错误类型远比想象中多样// agent-loop/error-handler.ts - 错误处理与重试策略简化还原// 这个模块体现了「在生产环境中一切都会出错」的工程信念classAgentErrorHandler{// 错误分类——不同类型的错误需要不同的处理策略privateclassifyError(error:Error):ErrorCategory{if(errorinstanceofAPIRateLimitError){return{type:rate_limit,retryable:true,backoff:exponential};}if(errorinstanceofAPITimeoutError){return{type:timeout,retryable:true,backoff:linear};}if(errorinstanceofContextWindowExceededError){return{type:context_overflow,retryable:true,backoff:compress};}if(errorinstanceofToolExecutionError){// 工具执行错误需要特殊处理——可能是权限问题也可能是工具本身的 bugreturn{type:tool_error,retryable:this.isToolRetryable(error),backoff:none};}if(errorinstanceofAuthenticationError){return{type:auth,retryable:false,backoff:none};}return{type:unknown,retryable:false,backoff:none};}asynchandleError(error:Error,state:AgentLoopState):PromiseRecoveryResult{constcategorythis.classifyError(error);switch(category.type){caserate_limit:// 限流错误等待 Retry-After 头指定的时间后重试constretryAftererror.retryAfter||60;awaitthis.sleep(retryAfter*1000);return{recovered:true,action:retry};casecontext_overflow:// 上下文溢出触发紧急压缩然后重试state.contextawaitthis.contextManager.emergencyCompress(state.messages,// 紧急压缩会更激进地裁剪历史{aggressive:true,preserveSystemPrompt:true});return{recovered:true,action:retry_with_compressed_context};casetool_error:// 工具错误将错误信息作为工具结果返回给 LLM// 让 LLM 自己决定如何处理——这是 ReAct 模式的精髓consttoolResult:ToolResult{tool_use_id:error.toolCallId,content:Error:${error.message},is_error:true,};state.messages.push({role:user,content:[{type:tool_result,...toolResult}],});return{recovered:true,action:continue_with_error};caseauth:// 认证错误无法自动恢复需要用户介入this.ui.displayError(认证失败请检查 API Key 或重新登录);return{recovered:false,action:abort};default:// 未知错误记录日志尝试有限次数的重试if(state.retryCountthis.config.maxRetries){state.retryCount;awaitthis.sleep(1000*state.retryCount);return{recovered:true,action:retry};}return{recovered:false,action:abort};}}}这段代码中最值得关注的设计是工具错误的处理方式当一个工具执行失败时Claude Code 不会简单地重试或终止而是将错误信息作为工具结果返回给 LLM。这体现了 ReAct 模式的一个核心优势——LLM 可以理解错误并自主决定下一步行动。比如如果git commit失败因为有未暂存的更改LLM 可能会决定先执行git add再重试。代码示例核心循环伪代码还原为了帮助理解让我们用更简洁的伪代码形式还原 Agent Loop 的核心逻辑# agent_loop_pseudocode.py - Agent 主循环伪代码# 这段伪代码浓缩了 Claude Code Agent Loop 的核心思想# 去掉了所有工程细节只保留了最本质的逻辑defagent_loop(user_message:str,tools:list[Tool])-str:Agent 主循环 - 所有 AI Agent 的心脏# 初始化状态messages[Message(roleuser,contentuser_message)]turn_count0whileTrue:# 第一步上下文压缩 # 如果消息总 Token 数超过上下文窗口限制进行压缩# 压缩策略包括消息裁剪、工具结果截断、历史摘要等ifcount_tokens(messages)MAX_CONTEXT_TOKENS:messagescontext_manager.compress(messages)# 第二步调用 LLM # 将消息历史和工具定义发送给 Claude API# 使用流式响应以提供实时反馈responseclaude_api.create_message(messagesmessages,toolstools,# 所有可用工具的定义systemSYSTEM_PROMPT,# 系统提示词streamTrue,# 流式响应)# 第三步解析响应 # Claude 的响应可能包含文本和工具调用的混合text_contentextract_text(response)tool_callsextract_tool_calls(response)# 将 assistant 的响应加入消息历史messages.append(Message(roleassistant,contentresponse.content))# 第四步判断是否需要继续 ifnottool_calls:# 没有工具调用 LLM 认为任务完成# 展示响应等待用户输入display(text_content)user_inputwait_for_input()ifuser_inputisNone:returnSession endedmessages.append(Message(roleuser,contentuser_input))continue# 继续循环处理用户的下一条消息# 第五步执行工具调用 fortool_callintool_calls:# 权限检查某些操作需要用户确认ifneeds_permission(tool_call):grantedask_user_permission(tool_call)ifnotgranted:# 用户拒绝了操作将拒绝信息反馈给 LLMmessages.append(create_tool_result(tool_call,Permission denied by user,is_errorTrue))continue# 执行工具try:resultexecute_tool(tool_call)exceptToolErrorase:# 工具执行失败将错误信息反馈给 LLM# LLM 会理解错误并决定下一步行动resultcreate_tool_result(tool_call,str(e),is_errorTrue)# 将工具结果加入消息历史messages.append(create_tool_result(tool_call,result))# 第六步安全检查 turn_count1ifturn_countMAX_TURNS:returnReached maximum turns# 循环回到第一步开始下一轮这段伪代码清晰地展示了 Agent Loop 的六个核心步骤上下文压缩 → 调用 LLM → 解析响应 → 判断继续 → 执行工具 → 安全检查。整个循环就是这六个步骤的不断重复。为什么 while-loop 是护城河看到这里你可能会问既然 Agent Loop 的逻辑这么简单为什么说它是护城河答案在于简单的循环逻辑 × 复杂的工程实现 巨大的护城河。让我用一个对比表格来说明维度学术论文中的 Agent LoopClaude Code 的 Agent Loop上下文管理假设无限上下文窗口五层压缩管线动态裁剪错误处理忽略或简单重试分类错误 智能恢复 LLM 自主决策工具执行同步、无超时异步、超时、重试、并行状态管理内存中的简单列表持久化、检查点、会话恢复安全控制无权限系统 沙箱 审计日志用户交互一次性输入输出多轮对话 实时反馈 打断生产就绪度原型级别数百万用户级别每一个「看起来简单」的步骤在生产环境中都需要大量的工程工作「调用 LLM」需要处理流式响应、超时重试、限流退避、模型切换「执行工具」需要权限校验、沙箱隔离、超时控制、并行执行「将结果喂回去」需要上下文压缩、Token 计数、消息格式转换「判断是否继续」需要处理用户中断、最大轮次限制、错误恢复这些工程细节的累积构成了巨大的护城河。一个团队可以复制 Claude Code 的循环逻辑但要复制它的工程成熟度需要数月甚至数年的迭代。护城河的三个层次技术护城河五层上下文压缩管线、智能错误恢复、流式处理优化——这些技术实现需要深入理解 LLM 的行为特性和生产环境的约束。数据护城河数百万用户的使用数据使得 Anthropic 可以持续优化循环中的每一个决策点——什么时候压缩、什么时候重试、什么时候询问用户。迭代护城河每一个生产环境中的 bug 和 edge case都会被转化为循环中的防御性代码。这些代码是时间的结晶无法被简单复制。总结Agent 主循环是 Claude Code 乃至所有 AI Agent 系统的核心。它看起来简单——一个 while-loop调模型跑工具喂结果——但在生产环境中的工程实现却极其复杂。通过本章的源码分析我们可以看到Agent Loop 的本质是 ReAct 模式的工程化实现思考 → 行动 → 观察 → 重复状态管理是循环中最微妙的部分fullHistory 和 activeContext 的分离是有意为之的设计错误处理不是事后添加的功能而是循环的核心逻辑工具错误被反馈给 LLM 让其自主决策简单的循环逻辑 × 复杂的工程实现 巨大的护城河在下一篇文章中我们将聚焦于 Claude Code 的启动链路——从用户输入claude命令到 Agent Loop 开始运行之间发生了什么。参考资料Claude Code v2.1.88 源码分析— 基于 2025 年 3 月泄露的 npm 包逆向分析Yao, S. et al. (2023). “ReAct: Synergizing Reasoning and Acting in Language Models”— ICLR 2023 — Agent Loop 的理论基础Anthropic (2024). “Tool Use (Function Calling) with Claude”— https://docs.anthropic.com/en/docs/tool-use — Claude 工具调用的官方文档Shinn, N. et al. (2023). “Reflexion: Language Agents with Verbal Reinforcement Learning”— NeurIPS 2023 — Agent 错误处理与自我反思的理论基础Anthropic (2025). “Claude Code Best Practices”— https://www.anthropic.com/engineering/claude-code-best-practices — Claude Code 工程实践的官方分享本文是「Claude Code 源码深度解析」系列的第二篇。下一篇文章将聚焦于启动链路——从claude命令到 Agent Loop 启动之间的完整初始化过程。本系列覆盖AI 大模型基础、Agent 开发、MCP 协议、Skill 开发、RAG、模型微调、部署推理七大方向从入门到实战的全栈内容持续更新中。所有文章的 Markdown 源文件、可运行代码、高清配图已整理成完整资料包。 点赞 ⭐ 关注评论区扣「1」挨个发你领取方式
