什么是agent死循环

Agent 死循环，是指智能体在推理 - 执行 - 观察过程中，因决策固定、历史无效或无法判断终止，陷入无限重复同一动作的闭环，无法推进任务也无法自动结束。

导致Agent死循环的原因：

• 看不见历史（注意力 / 记忆问题）
• 不知道停（Prompt / 终止条件）
• 环境不变（工具返回固定）

如何解决Agent死循环问题：

1.加 max_iterations 强制终止

agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    max_iterations=5,  # 👈 这里！框架参数，不是 Prompt
    verbose=True
)

2.Prompt 强化终止规则

• Prompt 里的停止规则：软限制，靠 LLM 自觉遵守（可能不听）
• max_iterations：硬限制，框架强制生效，绝对有效

3.加 重复步骤检测（连续相同 Action 直接停）

由代码层实时记录每一步的工具调用名称和参数。
每生成新动作时，与上一步动作进行比对：
如果工具名和参数连续 2~3 次完全相同，就判定为死循环，
代码会直接强制终止执行，不再继续调用工具。
这是一种硬保障机制，不依赖 LLM 自身判断，非常可靠

# 记录历史动作（工具名 + 参数）
action_history = []

# 假设这是 Agent 每一步生成的 Action
def check_and_run_action(tool_name, tool_param):
    global action_history

    # 1. 检测是否和上一步重复
    if len(action_history) > 0:
        last_tool, last_param = action_history[-1]
        if tool_name == last_tool and tool_param == last_param:
            # 连续重复 → 直接终止！
            print("检测到连续重复Action，判定死循环，强制停止！")
            return False

    # 2. 不重复 → 记录历史 & 执行
    action_history.append((tool_name, tool_param))
    print(f"执行工具：{tool_name}，参数：{tool_param}")
    return True

# ======================
# 示例演示
# ======================

# 第1步：正常
check_and_run_action("search", "CPU 告警")

# 第2步：重复！触发死循环检测
check_and_run_action("search", "CPU 告警")

4. 历史压缩 / 摘要，减少长上下文注意力压力

5.使用 LangGraph 状态管理，不依赖全量历史