Pętla agentowa: co to jest i kiedy agent AI się zatrzymuje

Agentowa AIArchitektura i orkiestracjaOpublikowano Autor: Simon Budziak

Pętla agentowa (agentic loop) to cykl, który agent AI powtarza: wywołanie modelu, uruchomienie narzędzi, zwrócenie wyników. Kończy się, gdy model odpowiada bez prośby o narzędzie, albo wcześniej, gdy zadziała warunek stopu: limit tur, limit wydatków, przekroczenie czasu lub człowiek, który odrzuci akcję.

Jak krok po kroku działa pętla agentowa?

Każde przejście przez pętlę, zwykle nazywane turą, ma ten sam kształt. Środowisko uruchomieniowe (runtime) wysyła modelowi kontekst: prompt systemowy, definicje narzędzi i dotychczasową historię. Model odpowiada tekstem, jednym lub kilkoma wywołaniami narzędzi albo jednym i drugim. Runtime wykonuje każde dozwolone wywołanie, dopisuje wynik do historii i ponownie wywołuje model. Definicja agentów od Anthropic to wersja skrócona: „LLMs using tools based on environmental feedback in a loop”, czyli modele językowe, które w pętli używają narzędzi na podstawie informacji zwrotnych z otoczenia (Building effective agents, 19 grudnia 2024, dostęp 16 listopada 2026).

Przykład z dokumentacji Claude Agent SDK dla promptu „Fix the failing tests in auth.ts”: w turze 1 agent uruchamia testy i widzi trzy błędy, w turze 2 czyta pliki źródłowe i testowe, w turze 3 poprawia kod i ponownie uruchamia testy, a ostatnia tura, już tylko tekstowa, opisuje poprawkę (How the agent loop works, dostęp 16 listopada 2026). Pętla kończy się, gdy model przestaje prosić o narzędzia, a nie wtedy, gdy każe tak licznik kroków. Odpowiedź końcowa też zużywa turę: ta sama dokumentacja zauważa, że max_turns=2 przerwałoby ten przebieg przed edycją kodu.

Kiedy pętla agentowa się zatrzymuje?

Po odpowiedzi końcowej albo po osiągnięciu limitu, który egzekwuje runtime. Ustawienia domyślne bardzo się różnią:

Runtime Limit Domyślnie Co się dzieje po osiągnięciu limitu
OpenAI Agents SDK (Python) max_turns 10 tur zgłasza MaxTurnsExceeded
Claude Agent SDK max_turns, max_budget_usd brak limitu wynik z podtypem error_max_turns lub error_max_budget_usd
LangGraph 1.1.4 i nowsze recursion_limit 10 007 superkroków zgłasza GraphRecursionError

Źródła, wszystkie z dostępem 16 listopada 2026: OpenAI run_config.py i running agents guide, strona Anthropic o pętli agenta oraz dokumentacja Graph API w LangGraph. Superkrok (super-step) w LangGraph to krok grafu, a nie wywołanie modelu, więc tego limitu nie da się porównać jeden do jednego. Nigdy nie wdrażaj na domyślnych ustawieniach frameworka: sam ustaw limit tur, limit wydatków i limit czasu agenta liczony według zegara. Przewodnik Anthropic z tego samego powodu zaleca warunki stopu „such as a maximum number of iterations”, czyli na przykład maksymalną liczbę iteracji. Zdecyduj też, co zwraca osiągnięty limit: wynik częściowy, sesję do wznowienia albo przekazanie sprawy człowiekowi.

Co robi krok rozumowania w pętli agentowej?

Wybiera następną akcję na podstawie ostatniej obserwacji i nic więcej. Wykonywanie, walidacja i limity należą do harnessu agenta otaczającego model. Agent ReAct czyni to rozumowanie jawnym, zapisując myśl przed każdą akcją. Model proponuje, runtime decyduje: argumenty przechodzą sprawdzenie zgodności ze schematem, ryzykowne wywołania czekają na zatwierdzenie przez człowieka, a w Claude Agent SDK hook PreToolUse może odrzucić wywołanie, zanim zostanie wykonane; model dostaje wtedy odmowę jako swoją obserwację (strona o pętli agenta, dostęp 16 listopada 2026). Jakość rozumowania decyduje o tym, ile tur zajmie zadanie; runtime decyduje, czy zła tura wyrządzi szkodę.

Czym pętla agentowa różni się od agentowego workflow?

W agentowym workflow ścieżkę wyznacza kod, a w pętli agentowej wybiera ją model. W workflow model tylko wypełnia poszczególne kroki; w pętli agentowej wybiera ścieżkę tura po turze. Pętla jest bardziej elastyczna i trudniej ją przewidzieć, a jej kontekst rośnie z każdą turą, dopóki coś go nie przytnie, czym zajmuje się kompaktowanie kontekstu. Użyj pętli, gdy nie da się z góry rozpisać kroków, a workflow, gdy się da. Wiele systemów produkcyjnych łączy jedno z drugim: stały workflow z jedną ograniczoną pętlą wewnątrz kroku, który wymaga osądu. Hostowane harnessy uruchamiają dziś pętlę za Ciebie, o czym pisaliśmy w tekście Claude Managed Agents: the harness is now a service (po angielsku), ale limity nadal pozostają Twoją decyzją.

To hasło przygotowano z pomocą AI.

Podsumuj tę stronę w

Zobacz, jak to działa w systemie, który zbudowaliśmy