LoopGain 用控制论终止智能体循环，替代最大迭代次数

背景

当前 AI agent 循环（如验证-修正循环、工具调用重试链、RAG 自纠正、多步推理等）普遍采用 max_iterations=N 作为终止策略。这种设计存在根本性缺陷：要么循环过早停止，产出低质量结果；要么循环过晚停止，浪费大量计算资源和 API 费用。开发者通常只能折中选取一个固定上限，但无法动态适应不同任务的实际收敛情况。

LoopGain 的提出者认为，这个问题本质上是一个反馈控制问题——AI agent 的迭代过程与电子工程中的反馈振荡器具有结构相似性。因此，他们引入了一个基于 Barkhausen 准则（1921 年来自电气工程反馈振荡器分析的基础理论）的控制论停止与回滚策略，替代了业界尴尬的默认方案。

核心内容

LoopGain 是一个开源的 AI agent 循环成本控制器，用 Python 编写，无运行时依赖，支持 Python 3.10+。它通过实时测量循环的“误差信号”轨迹，在循环实际收敛时立即停止，并在性能退化时回滚到最佳输出，而不是运行到固定的 max_iterations 上限。

工作原理

用户只需提供一个每轮迭代的误差信号——一个非负数值，越低越好，零表示完美。LoopGain 不关心循环的具体逻辑，只观察这个数值的轨迹，并据此决定继续、停止或回滚。

核心决策基于每轮迭代的经验循环增益（Aβ = E(n) / E(n-1)），并平滑为时间序列用于可视化。但实际分类引擎使用四个特征对完整误差轨迹进行分类：

• E_ratio = E_current / E_first（累计缩减比例）
• slope_log = 对 log10(E) 做 OLS 回归得到的斜率（几何趋势方向）
• slope_p = 斜率的 t 检验 p 值（统计显著性）
• osc_std = 去趋势后的 log10(E) 的标准差（振荡幅度）

根据这些特征，轨迹被路由到以下五种状态之一：

• 收敛（Converged）：误差持续下降并趋于稳定。
• 振荡（Oscillating）：误差在稳定水平附近来回波动。
• 发散（Diverged）：误差持续上升。
• 停滞（Stalled）：误差在较高水平上不再改善，但统计上未达到显著下降。
• 达到最大迭代（Max iterations）：达到用户设定的绝对上限（默认无）。

此外，如果观测到的误差降至或低于 target_error，循环立即停止并标记为 TARGET_MET。默认 target_error=0.0 会在误差精确为零时短路，这对于验证器驱动的循环是自然的完成信号。传入 target_error=None 则禁用短路，仅依赖稳定性检测。

LoopGain 会保留所有输出及其误差分数的缓冲区，终止时返回 argmin(error) 对应的最佳输出，而不是最后那一轮输出。这意味着即使循环发散，也能得到“迄今为止最好的结果”，而不是输出垃圾。

基准测试结果

在 10 个工作负载单元上进行了 2,000 对配对试验（可自行复现）：

• API 花费降低 92.8%：当 max_iter=20 时基准总花费 $27.05，LoopGain 仅 $1.94。
• 速度提升约 15 倍：每轮试验中位时间从 30.9 秒降至 2.1 秒。
• 质量保持不变：在自然分布工作负载（W1–W4）上，评判胜率 0.50–0.63（多数单元置信区间排除零假设）；在工程化失败工作负载（W5）上胜率 0.92–0.95；在 1,800 次评判对比中加权偏好为 0.678。
• 零次触发六种终止条件：所有六种预先注册的阈值条件均未触发。

使用方式

安装：pip install loopgain

对于 Claude Code 用户，可通过插件自动扫描仓库中所有可包装的循环（字面循环、递归、图循环、语义循环），逐个文件审查并建议 diff，从不自动应用。

三行代码即可包装任何带有可测量误差信号的迭代循环：

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" | "max_iterations"
print(result.best_output)  # 最低误差轮次的输出
print(result.iterations_used)
print(result.savings_vs_fixed_cap)

适配范围

适用于任何带有可测量误差信号的迭代式 AI 工作流：验证-修正循环、精炼回合、工具使用重试链、带自纠正的 RAG、带 linter 反馈的代码生成、多步推理循环等。内置适配器支持 LangGraph、CrewAI、AutoGen、LangChain、OpenAI Agents SDK、Claude Agent SDK；也可通过原始 API 集成到任何自定义栈。

默认配置与调优

推荐最少 6 轮迭代以获得可靠的趋势显著性。当 n≤4 时 t 检验统计功效严重不足（df=2 需要 |t|>4.3 才能 p<0.05），分类器会保守地回退到 STALLING 状态。阈值来源于控制理论和统计惯例，而非拟合结果；获得生产轨迹后可通过 TrajectoryThresholds 参数按领域调优。

旧版单特征分类器（基于 Aβ 阈值 0.3/0.85/0.95/1.05）仍可通过 LoopGain(classifier='legacy_bands') 使用。

遥测与仪表盘

库本身完全本地运行，遥测为可选且可自托管。如果需要团队级查看每个循环的稳定性、成本和回滚，可通过遥测接收器连接托管的仪表盘（提供实时演示，无需注册，使用真实基准数据）。接收器和仪表盘均开源，可自托管以确保数据完全可控。

关键要点

• 替代固定 max_iterations：LoopGain 用控制论策略替代了业界普遍使用的 max_iterations=N 终止策略，避免了过早停止或过晚停止的浪费。
• 基于 Barkhausen 准则：将电气工程中的反馈振荡器分析理论（1921 年）应用于 AI agent 循环的终止决策，通过测量循环增益来判断收敛状态。
• 实时误差信号轨迹分析：使用四个特征（累计缩减比、对数斜率、斜率显著性、去趋势振荡幅度）将轨迹分类为五种状态（收敛、振荡、发散、停滞、达到最大迭代），并支持目标误差短路。
• 极高的成本节省：在公开基准测试中，相比 max_iterations=20，