CycleDetector三维度四分类算法详解，如何精准识别Agent循环行为

在大模型智能体（Agent）的实际运行中，‘陷入死循环’并非仅指重复执行完全相同的指令，而是一类高度异构的行为模式集合。2026年10月，CycleDetector算法正式公开其完整检测逻辑——采用三维度并行检测与四分类阈值策略，从根本上重构了对‘循环’的定义与判定方式。

传统方案常依赖全局轮次上限（如max_turns=25）作为终止依据，但这一做法存在明显缺陷：当Agent在合理范围内反复迭代调试（例如修复编译错误链），强制截断反而会中断有效任务；反之，若Agent在无信息增益下重复相同操作，却因参数微调未被识别，又会导致资源浪费甚至系统僵死。

CycleDetector的核心突破在于将‘循环’解构为三种可量化、可区分的行为形态，并为每种形态配置独立的检测逻辑与动态阈值。

第一维度：Identical Call Streak（完全相同调用序列）

这是最明确的死循环信号：工具名、参数JSON哈希值与返回结果哈希值三者均与上一轮完全一致。例如连续多次执行grep("TODO", "src/")且每次输出内容不变，则认定为无效重复。

该维度默认预警阈值为3次，终止阈值为5次。原因在于：第二次相同调用已无新信息产出；连续5次完全一致的操作，在工程实践中几乎不可能具备合理性。值得注意的是，CycleDetector同时校验参数与结果哈希——仅检查参数会误判合法轮询（如exec("git status")），而结果哈希确保“做了同样的事，还得到了同样的答案”，才构成真正意义上的死循环。

第二维度：Tool Category Streak（工具类别连续调用）

所有工具被划分为两大基础类别：

Exploration（探索类）：read、grep、search、find等，不改变系统状态；
Action（操作类）：edit、write、exec、delete等，直接修改环境。

当同一类工具被连续调用时，对应streak计数器递增；类别切换则重置。例如连续3次read操作后接1次edit，exploration streak归零，action streak从1开始。

该维度用于捕捉‘功能单一化’倾向：过度探索可能意味着Agent未能形成有效计划；持续操作而缺乏反馈验证，则易陷入盲目修改的陷阱。默认预警值为50次连续同类调用，终止值为100次——适用于大型代码库中合理的批量读取场景，但超出即触发干预。

第三维度：Error Streak（连续失败序列）

聚焦于执行类工具（如exec）返回错误的重复性。典型场景是：Agent反复修改同一文件、重新编译，每次修正一个错误却引入新错误，形成“打地鼠”式循环。

CycleDetector不依赖错误文本是否相同，而是通过语义相似度或错误码聚类判断“失败模式”的重复性。例如连续10次编译失败，尽管错误消息不同（A→B→C→A…），但均源于同一模块的连锁缺陷，即视为潜在循环。

该维度阈值设为8–15次：低于8次可能是正常调试；超过15次则高度可疑。配合参数变化减半机制（见下文），可有效区分真实迭代与无效循环。

上述三维度独立运行、互不干扰，各自触发预警或终止后，由统一决策模块协调响应——任一维度达到终止阈值即触发自愈流程（HITL介入或直接终止）。

探索类（Exploration）：read/grep/search等，阈值最高（Warn=100, Term=200），支持大规模代码扫描；
动作类（Action）：edit/write/exec等，中等阈值（Warn=50, Term=100），防止盲目修改；
规划类（Plan）：涉及任务分解与路径生成，阈值较低（Warn=30, Term=60），因其本身应具收敛性；
自定义类（Custom）：允许用户按场景覆盖阈值（如exec override=100, exec rw=60），实现细粒度控制。

这一设计源于对真实Agent行为的观察：处理15个文件的重构任务可能需30轮迭代，而修复单个函数通常5轮内应完成。固定阈值无法兼顾二者，分级策略则使检测更具上下文感知能力。

更关键的是参数变化减半计数机制：当参数发生实质性变化（如patch_v1→patch_v2），当前streak不重置，但计数器增量减半（+0.5而非+1）。这解决了经典难题——

> 轮次1: read("auth.go") → edit("auth.go", patch_v1) → exec → 错误A

> 轮次2: read("auth.go") → edit("auth.go", patch_v2) → exec → 错误B

> ……重复10次

表面看每次调用参数不同，Identical Call检测失效；但若参数变化仅为微调（如补丁版本号递增），且错误模式重复，则Error Streak仍可累积至阈值。减半机制使系统能识别“形式变化、实质循环”的行为，避免将“打地鼠”误判为有效探索。

图中对比清晰显示：若参数不变（TOP HALF），计数线性增长，25轮即终止；若参数持续变化但属迭代改进（BOTTOM HALF），计数增速减缓，50+轮仍可继续——系统由此区分出“无效重复”与“合理调试”。

该算法已在多个开源Agent框架中集成测试。实测表明，在包含12类作物、45种病害的叶片识别系统（基于ResNet50+ONNX部署）的调试阶段，CycleDetector成功拦截了3起因模型拒识逻辑缺陷导致的无限重试循环，同时放行了7次跨20轮的有效参数优化过程，误报率低于2%。

需要强调的是，CycleDetector并非追求“零循环”，而是建立循环合理性评估框架：它承认某些任务天然需要多轮迭代，重点在于识别那些脱离目标、无信息增益的重复行为。其设计哲学接近人类调试直觉——当修改不再带来进展，便是时候介入。

随着Agent在DevOps、自动化运维、科学计算等场景深度落地，对运行时行为的精细化监控需求日益迫切。CycleDetector提供了一种可解释、可配置、可扩展的检测范式，为构建高可靠智能体系统奠定了底层能力基础。后续工作将聚焦于结合执行轨迹的因果分析，进一步提升对隐性循环（如状态回退型循环）的识别精度。