智能体执行与工具协作

决策循环的参与者

智能体系统让模型在任务过程中参与选择行动，宿主执行允许的工具，将观察交给后续决策。模型调用会生成一个序列或多个内容块，宿主控制实际循环、权限、资源与终止。服务可以保存会话或缓存，应用不能由“模型无状态”推断每轮必须重新发送全部历史。

一次循环包括读取任务和状态、取得模型输出、解析行动、校验并授权、执行、记录结果、更新状态，再决定是否继续。最终文字、工具请求、拒绝和运行错误各有不同处理。模型说“完成”只是一条输出，任务验收需检查实际目标状态。

在已允许预算内重复：
    构造当前上下文与可用工具
    调用模型，取得完整决策输出
    若给出最终结果：检查目标与已知证据，结束或补查
    若请求工具：校验参数、权限和前提，执行允许调用
    记录调用身份、结果、失败和实际副作用
    将必要观察送入下一轮，按条件重新规划

这是一段控制模型示意，没有执行真实模型或工具。

ReAct 将推理与行动交替，工具观察支持下一步选择。观察可以错误、过期或被攻击，必须记录来源与取得条件；真实工具返回不能自动成为事实真值。ReAct

Plan-and-execute 先拆分任务再执行，帮助安排依赖和并行。已有观察可用于初次规划，计划也可动态更新；“规划总在零观察下完成”不成立。失败持续、前提冲突、信息缺失或预算变化可触发重规划。

Reflexion 在执行反馈后写反思资料，再支持后续尝试。重跑与局部恢复应由任务和副作用决定，不能统一重做整个外部任务。模型自批评是新的生成，客观测试或可检查状态才能给出更多错误信息。Reflexion

一轮可以提出多个工具请求，独立只读调用可能并行，存在数据依赖或副作用冲突时需排序。把全部调用收到与全部执行成功分开记录。模型持续请求同一动作可能来自失败、状态不可见或循环提示，重试不能替代原因定位。

宿主限制轮数、时间、token、费用和调用范围。达到预算返回已完成、缺证据和未执行事项。普通工作流也可使用固定规则调度；只有需要模型按观察选择行动时，模型循环才承担明确作用。

工具、协议与执行边界说明接入和权限，记忆与多智能体说明信息与委派，恢复与运行可见性解释长任务和失败处理。