AI 编码 Agent 陷入无限循环时，每次重试都在烧钱——LoopGain 用控制论让它在收敛时自动刹停

场景

你写了一个 AI 编码 Agent，让它自动修改代码、运行测试、修复失败、再运行测试……直到所有测试通过。这是一个标准的 verify-revise 循环。你设了 max_iterations=20，觉得够慷慨了。

结果某次运行时，测试一直剩 2 个失败，Agent 反复重试了 20 次才停下来。20 次 × 平均 5K token/次 ≈ 100K token，按 Claude Sonnet 的价格折合约 $3。一次循环 $3 不算多，但如果你的系统每天跑 1000 次这样的循环——那就是 $3,000/天。而且最气人的是：最后 10 次迭代根本没有改善——2 个失败测试在第 10 次就达到了瓶颈，剩下的 10 次纯属浪费。

这就是 AI Agent 反馈循环的典型困境：max_iterations 是一颗定时炸弹——设少了输出质量差，设多了 API 账单爆炸。

痛点对比

快速上手

安装只需一行：

pip install loopgain

核心代码只需三行：

from loopgain import LoopGain

lg = LoopGain(target_error=0.1)

while lg.should_continue():
    errors = verifier.verify(output)
    lg.observe(errors, output=output)
    output = reviser.revise(output, errors)

result = lg.result
print(result.outcome)               # converged / oscillating / diverged / stalled
print(result.best_output)           # 历史最佳输出，按错误数排序
print(result.savings_vs_fixed_cap)  # 相比固定迭代的预估节约量

你唯一需要提供的，是误差信号（error signal）——一个非负的数值，每轮迭代表明当前输出的质量。比如失败的测试数、Schema 违规数、lint 错误数。数值越小越好，0 表示完美。

核心原理：从 max_iterations 到 Barkhausen 判据

LoopGain 的核心创新在于它将电气工程中的 Barkhausen 稳定性判据（1921 年，用于分析反馈放大器是否自激振荡）搬到了 AI Agent 反馈循环上。

每轮迭代它计算经验环路增益 Aβ = E(n) / E(n-1)，然后从四个特征维度分析误差轨迹：

• 累积下降率（E_ratio）：当前误差与初始误差的比率
• 趋势方向（slope_log）：对数误差的 OLS 斜率，指示几何趋势方向
• 趋势显著性（slope_p）：t 检验 p 值，判断趋势是否统计显著
• 振荡幅度（osc_std）：去趋势后误差序列的标准差

根据分析结果，它将循环状态归为五类：

这正是与 max_iterations 最本质的区别：传统方案只看跑了多少轮，LoopGain 看输出是否真的在变好。

框架适配器：一行代码集成主流框架

LoopGain 为 6 个主流 Agent 框架提供了专用适配器，无需修改已有的 Agent 逻辑：

from loopgain.integrations import LangGraphAdapter
adapter = LangGraphAdapter(lg=lg,
    error_fn=lambda update: len(update.get("verifier", {}).get("errors", [])))
final_state = adapter.run(graph, {"draft": initial})

from loopgain.integrations import CrewAIAdapter
adapter = CrewAIAdapter(lg=lg,
    task_error_fn=lambda output: count_failed_checks(output.raw))
adapter.install(crew)
result = crew.kickoff()

其他适配器覆盖 AutoGen v0.4+（RoundRobinGroupChat）、LangChain（AgentExecutor）、OpenAI Agents SDK（Runner.run_streamed）、和 Claude Agent SDK（query(prompt, ...)）。安装自己需要的：

pip install 'loopgain[langgraph]'
pip install 'loopgain[crewai]'

Claude Code 的一键集成

如果你使用 Claude Code，可以直接安装 LoopGain 插件来扫描仓库中所有可包装的循环：

/plugin marketplace add loopgain-ai/loopgain-plugin
/plugin install loopgain

插件会自动探测字面递归、Graph 循环和语义上的迭代模式，逐一提出审校 Diff（不自动应用，安全可控）。

实战：给代码生成循环装上限速器

假设你在构建一个代码生成 → 代码审查 → 自动修复的流水线。没有 LoopGain 时，要么设高 max_iterations（每次跑满多花 10× 钱），要么设低值（经常没做完就停了）。

用 LoopGain 后的完整体验：

from loopgain import LoopGain

lg = LoopGain(target_error=0.0, max_iterations=20)

while lg.should_continue():
    output = llm.revise(code, feedback)
    code = output.text
    failures = run_lint_and_tests(code)
    lg.observe(len(failures), output=code)
    code = llm.regenerate(code, failures)

result = lg.result
if result.outcome == "converged" and result.best_error == 0:
    print(f"全部通过！仅用 {result.iterations_used} 次迭代")
elif result.outcome == "stalled":
    print(f"卡在 {result.best_error} 个失败的瓶颈，使用历史最佳输出")
elif result.outcome == "oscillating":
    print(f"检测到振荡，回滚到第 {result.best_index} 轮的输出")

observe() 接受数值或序列（自动取其长度为错误数）。传入 output= 后，result.best_output 会在终止时返回历史错误最低的输出——这正是 max_iterations 方案无法提供的：即使发散也能拿到最佳快照。

性能数据

根据项目公开的基准测试——2,000 组对照试验，覆盖 10 种工作负载：

• API 开支降低 92.8%：max_iter=20 方案总开支 $27.05 → LoopGain $1.94
• 速度提升约 15 倍：中位壁钟时间 30.9s → 2.1s
• 输出质量保持或略优：自然分布工作负载胜率 0.50–0.63；工程故障工作负载 0.92–0.95
• 零次误杀：6 条预注册 Kill Criterion 在全部测试中零触发

注意事项

1. LoopGain 检测的是收敛，不是正确性。它只知道”再多迭代也没用了”，不知道”答案对不对”。检查 result.best_error 判断是否达到质量门槛。
2. 误差信号的质量决定一切。如果 verifier 有盲区（报告零错误但实际有问题），LoopGain 会自信地停在错误结果上。搭配最强的 verifier。
3. 最低 6 次迭代才能获得可靠的统计显著性。n ≤ 4 时 t 检验自由度不足，分类器保守回退为 STALLING。
4. 节约比例取决于你的工作负载。快速收敛的循环节约最大（~96%），对抗性故障循环节约较少（~78–84%）。跑你自己的基准测试再引用具体数字。

总结

LoopGain 用一个简洁的数学洞察替代了 Agent 循环中「碰运气」的 max_iterations 策略：用经验环路增益和统计检验追踪误差轨迹，在收敛时及时刹停、在发散时回滚到最佳版本。如果你的 Agent 流水线包含任何形式的 verify-revise 循环——无论是代码生成、RAG 自纠错、还是结构化抽取——pip install loopgain 可能是今天性价比最高的一行命令。

相关链接：

• GitHub: loopgain-ai/loopgain (Apache-2.0, Python)
• PyPI: loopgain
• LoopGain 基准测试
• 在线 Dashboard 演示