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.