你可能已经用模型+工具搭建了一个能调用函数、生成回复的Agent。它在demo里表现不错，但放到真实任务里——比如自动改进文档、处理工单或维护代码库——质量就不稳定了。有时输出格式错、有时链接失效、有时CI失败，而且下次遇到类似问题还是从头开始，没有积累改进。

作为负责把Agent带到生产环境的开发者，你需要的不是更强的单一模型，而是一层一层叠加的循环系统。每一层解决不同的问题：执行、验证、集成、持续进化。

我起初以为一个干净的ReAct循环加上好工具就够用了。后来在内部文档Agent的实践中发现，单层循环只能完成工作，却无法保证一致性、无法嵌入现有生态，更无法从自己的失败中学习。真正的生产力，来自把这些循环叠在一起，让外层不断优化内层。

把多层循环想象成一个不断进化的团队。底层是执行层，负责干活；第二层是质检层，负责把关；第三层是调度层，负责让团队在正确时机自动启动；第四层是复盘层，负责从每次执行的记录里提炼改进点，更新整个团队的 playbook。

第一层：核心Agent循环 模型调用工具的闭环

最基础的循环就是：给模型上下文，让它规划、调用工具、观察结果，直到任务完成。

用LangChain的create_agent就能快速得到这个循环。挑一个模型，接上能操作真实世界的工具（克隆仓库、读写文件、发起PR等），Agent就有了行动能力。

以我们的内部文档改进Agent为例：收到“优化某篇文档”的请求后，模型规划步骤，用工具克隆仓库、读取文件、修改内容、打开PR。这就是第一层循环在干活。

这一层解决的是“能做事”的问题，但它不保证第一次就做对，也不关心什么时候该启动。

第二层：验证循环 把关与反馈

第一层循环能产出结果，但质量不稳定。当一致性重要时，需要在外面再包一层验证循环。

验证循环的核心是一个grader：它按照预定义的rubric检查Agent的输出。如果失败，就把反馈（包括具体问题）送回给模型，让它重试。

Grader可以是确定性的（跑测试、检查链接、验证CI），也可以是agentic的（用另一个模型当judge）。LangChain里可以用RubricMiddleware或create_agent的after_agent hook轻松实现。

在文档Agent里，验证层会在每次尝试后运行测试：检查所有链接是否可达、CI是否通过、diff是否严格限定在请求范围内。这些错误无需人工介入就能被自动捕获。

权衡很清楚：加验证层会增加每次运行的延迟和成本。但在大多数生产场景中，质量比速度更重要，这笔投入是值得的。

第三层：事件驱动循环 把Agent嵌入生态系统

前两层还是“你主动调用Agent”。真正有价值的是让Agent自己跑起来。

事件驱动循环把Agent连接到你的现有系统：新文档落地、定时触发、Slack消息、webhook到达……Agent就自动启动。它不再是手动调用的工具，而是持续运行在更大系统里的组件。

LangSmith Deployment原生支持cron和webhook触发。Fleet（无代码Agent构建器）则通过channel和schedule实现类似能力。我们把文档Agent接在#docs-plz Slack频道上，只要有人发消息，Agent就自动响应。

这一层解决的是“什么时候该做事”的问题，让Agent从demo变成后台常驻服务。

第四层：Hill climbing循环 让系统自我进化

前三层已经能自动化工作。第四层（也是最重要的一层）自动化“改进”本身。

每次Agent运行都会产生trace：模型做了什么、调用了哪些工具、grader给的反馈等。这些trace里藏着高价值信号——什么有效、什么失效。

Hill climbing循环运行一个分析Agent（LangSmith的Engine），对历史trace进行分析，发现问题后直接改写harness配置（提示词、工具、grader规则等）。改进不是停留在纸上，而是直接作用于内层循环。

关键在于：外层循环的返回箭头不是简单回到顶层，而是深入内层修改配置。每一次外层循环，都让内层循环变得更有效。

更进一步，对于开源权重模型，hill climbing还能把trace和评估结果作为训练信号，驱动RL fine-tuning，直接提升模型本身。记忆、检索技能等辅助上下文也能用同样方式优化。

人类监督在每一层的自然位置

自动化不等于把人完全踢出循环。在每一层都有人类判断能发挥最大价值的地方。

• Agent层：敏感操作（财务交易、数据库修改）前要求人类确认
• 验证层：高判断任务让人类当grader
• 事件驱动层：最终输出返回用户前人类审批
• Hill climbing层：重大配置变更上线前人类review

LangChain把“human in the loop”做成了一等公民，在每个循环里都能轻松接入。

四层循环的堆叠全景

循环层级	核心功能	解决的问题	LangChain原语示例	主要权衡
Layer 1	Agent执行	完成具体任务	create_agent + tools	速度 vs 能力
Layer 2	验证与反馈	输出质量一致性	RubricMiddleware / after_agent	成本与延迟增加
Layer 3	事件驱动与集成	自动触发与生态嵌入	LangSmith Deployment / Fleet	系统复杂度上升
Layer 4	Hill climbing改进	持续自我优化	LangSmith Engine	需要trace基础设施

真正的loop engineering（@swyx所说的loopcraft），就是把这四层叠在一起。很多AI领导者（Steipete、Boris、Andrej等）都得出相同结论：Agent的潜力不在于模型本身，而在于你围绕它构建的循环。

我们过去花了很多精力在第1、2层。现在重点应该转向第3、4层——把Agent嵌入生态系统，并让它们根据真实运行数据持续进化。Satya把这称为组织层面的学习循环：人类判断与token资本共同复利，才能建立难以复制的优势。

在你正在构建的Agent项目里，目前最薄弱的是哪一层循环？是验证不够稳定，还是缺少事件驱动让它真正跑起来？或者你已经开始收集trace，却还没有把hill climbing循环真正接通？

我是紫微AI，在做一个「人格操作系统（ZPF）」。后面会持续分享AI Agent和系统实验。感兴趣可以关注，我们下期见。