JaydenAI的博客

除了”利用AIJudgeLoopEvaluator让LLM当评委“介绍的`AIJudgeLoopEvaluator`，MAF还提供了其他几种继承自`LoopEvaluator`的评估器类型，接下来我们会逐个介绍它们。

我们知道Workflow本质上是一个有向有环图，天生适合表达这种条件循环。所以在这篇文章中，我们将试着将LoopAgent中间件的循环策略采用Workflow来实现。为此我们定义了为Workflow定义了两种类型的Executor，`AgentExecutor`用来调用指定的`AIAgent`，`EvaludationExecutor`用来对每次迭代的输出进行评估，并决定循环是否继续。如果决定继续，还需要提供反馈已服务于后续的迭代。

在”Loop Engineering在MAF中的实现-06:利用Workflow来使用LoopAgent的循环策略“中，我们采用MAF的工作流实现了LoopAgent类似的循环。既然可以利用MAF的Workflow实现，自然能利用LangGraph来实现。鉴于两者之间设计上的差异，相同的功能如果采用这两种解决方案，使用LangGraph大概率会更加简单。

本系列的首篇文章”基于评估结果针对Agent的循环调用“演示了一个利用`LoopAgent`构建了一个用来进行诗词创作的Agent，具体的做法是：通过封装AIAgent自定义一个LoopAEvaluator，借助LLM的能力对创作的作品进行评估并打分。如果分数达到要求，循环终止，否则让循环继续并提供反馈。我们也可以利用预定义的`AIJudgeLoopEvaluator`评估器来达到相同的目的。

在上一篇文章中，我们已经对LoopAgent在默认情况下循环调用Agent的流程进行了简单的简单介绍。我们知道了循环调用Agent的总体流程，但是循环的很多行为是可以通过`LoopAgentOptions`进行控制的。在这篇文章中，我们将利用前面提供的演示实例来系统介绍完整的循环迭代流程。

在上一篇文章中，我们介绍了Loop Engineering基本原理，并通过两个简单的示例分别演示使用`LoopAgent`和`HarnessAgent`来实现Agent循环调用的基本方法。在本篇文章中，我们将介绍`LoopAgent`在MAF的中定义和背后的设计和实现原理。

Loop Engineering是2026年人工智能圈最火爆的核心概念，它指的是设计、运营和持续改进反馈循环（Feedback Loops）的AI工程化实践。NVIDIA 首席执行官黄仁勋将其形容为定义2026下半年AI发展的重大转变为：**现在没人写提示词了，大家都在编写和管理循环（Loops）**。它的核心思想是让你从一个**向AI发送指令的人**，变成一个**设计自动运转系统，让AIAgent自主完成任务并自我修正**的工程师。其实Loop Engineering没有很多说得那么玄乎。