AI 知識
Agent Loop 的三個控制面
AI Agent 可以自己讀資料、操作工具、修改內容，再檢查結果。這種能力看起來像是把工作交出去之後，AI 就會一路做到完成。
現實卻常常不是這樣。
有些 Agent 太早宣布完成，有些反覆修改同一個地方，有些每隔幾分鐘就重新檢查，卻不知道什麼時候已經不需要再做。問題不一定只來自模型能力，而是工作流程沒有把完成設計成一個可以判斷的狀態。
Agent loop 的核心不是讓 AI 一直工作，而是讓它重複工作週期，直到符合停止條件。
要讓這件事可靠，至少必須控制三個面向：觸發、驗證與停止。
第一個問題：什麼時候啟動？
最簡單的 loop 由使用者送出一次指令開始。AI 取得資訊、執行工作、檢查結果，再決定要繼續還是交付。這很適合短任務，例如整理一份文件或修正一個明確錯誤。
但有些工作不是只發生一次。
監看一個狀態、定期整理新資料、等待外部審查結果，都可能需要依時間間隔或事件觸發。這時要先說清楚：是每隔一段時間檢查，還是只有新事件出現才啟動？如果輸入沒有變化，還要不要再跑？
觸發太少，Agent 會漏掉工作；觸發太頻繁，則只是把 token 和運算浪費在沒有變化的世界上。
第二個問題：它要如何證明完成？
把它做好不是完成條件，只是一個方向。
Agent 需要能觀察、測量或比較結果，才知道自己是否達標。頁面效能可以用分數驗證，程式修改可以用測試驗證，資料整理可以用筆數、欄位與缺漏檢查，內容修訂也可以用明確的必備項目與禁用詞掃描。
量化條件的價值，是把我覺得可以了變成證據顯示已達標。
如果只要求 AI 反覆改善，模型每一輪都可能找到新的小問題，卻無法判斷什麼時候改善已經足夠。相反地，Lighthouse 達到 90 分就提供了清楚出口。
驗證也必須真的走過使用者會走的路徑。只確認檔案有修改，不等於按鈕真的能按；只確認程式能執行，不等於輸出符合需求。
第三個問題：什麼情況必須停止？
達標要停，證據不足要繼續，但一直無法達標時也必須停。
這就是最大輪次、時間上限與人工中止的重要性。
例如分數達到 90，最多嘗試 5 次，同時定義了成功與停損。五次之後仍未達標，正確行為不是無限重試，而是回報目前結果、失敗原因與下一個需要人類決策的問題。
停止條件不是限制 AI 能力，而是限制失敗的成本。沒有上限的 loop 可能持續消耗額度、重複改寫，甚至把原本正確的部分一起破壞。
四種 loop，解決四種不同工作
Turn-based loop 最接近一般對話。每次由使用者指令觸發，AI 判斷任務完成或需要更多資訊時停止，適合短而不固定的工作。
Goal-based loop 適合有可驗證門檻的任務。它會持續嘗試，直到目標達成或碰到輪次上限。關鍵不是多做幾次，而是每次都用同一套標準檢查是否真的進步。
Time-based loop 依固定時間間隔啟動，適合等待外部系統變化。例如檢查審查意見或佇列狀態。它需要明確的取消條件，也應避免在沒有新資料時重做相同工作。
Proactive loop 則由事件或排程主動啟動，適合持續出現、規則明確的工作流。每個新任務都要有自己的完成條件，整個 routine 也必須保留停用與治理方式。
這四種模式不是愈後面愈高級。短任務若用複雜多 Agent 流程，往往只會增加成本與失敗點。最穩定的原則，仍是先使用能解決問題的最簡單 loop。
自動化真正交出去的，是判斷權
當你要求 AI 自己持續工作，真正交出去的不只是操作權，還包括現在是否值得再做一輪與結果是否足以交付的判斷。
因此，一個可靠的 Agent loop 應該可以回答：
- 哪個 prompt、時間或事件會啟動它？
- 它會用什麼工具或數據驗證結果？
- 達成什麼條件就停止？
- 最多允許多少次、多久或多少成本？
- 失敗後要回報什麼，而不是繼續猜？
最危險的自動化，不是完全不動，而是看起來一直很忙，卻沒有任何一刻能被證明為完成。
下一次把工作交給 AI 時，不妨少寫一句繼續做到最好，多寫一句清楚的完成門檻與停止上限。那通常比再換一個更大的模型，更能改變結果。
查證摘要
- Claude Blog：Loop engineering: Getting started with loops。說明 agent loop 是重複工作週期直到符合停止條件，並區分 turn-based、goal-based、time-based 與 proactive loop。
- 同文強調：goal-based loop 應使用可驗證的 exit criteria 與最大輪次，time-based 與 proactive loop 也必須保留停止條件與治理方式。
- Claude Blog：Steering Claude Code。說明 skills 與 hooks 可以成為 loop 的組件，但不能代替停止條件與結果驗證。
- 本文不主張所有 AI 工具都支援相同 primitive，也不鼓勵無限重試；重點是量化驗證、清楚邊界、先小規模試跑與適合的模型選擇。