源码深读 XAgent：6 个 Agent 怎么分工 工具失败不崩 死循环怎么防

源码深读 XAgent：6 个 Agent 怎么分工？工具失败不崩、死循环怎么防？

一、大纲

1. 整体执行模型：双层循环（Outer Loop + Inner Loop）
2. Agent 全景：6 个 LLM Agent + 工作流编排类
3. 为什么这么拆：职责分离、认知任务解耦
4. 工具调用可靠性：LLM 层 / Schema 层 / ToolServer 层三层防护
5. 防死循环与防扯皮：硬上限、单向推进、提交驱动
6. 关键配置参数速查
7. 技术债与未实现能力

二、整体执行模型：双层循环

XAgent 的核心编排器是 TaskHandler（XAgent/workflow/task_handler.py），它把一次用户 Query 的处理拆成两层：

用户 Query→ PlanAgent.initial_plan_generation() [PlanGenerateAgent]→ while (下一个 TODO 子任务):[Outer Loop，中序遍历计划树] inner_loop()[Inner Loop，ReACT + ToolAgent] → 推理 → 工具调用 → 观察结果 → 直到 subtask_submit 或达步数上限 posterior_process()[ReflectAgent] working_memory.register_task() if need_for_plan_refine: plan_refine_mode()[PlanRefineAgent，最多 N 步] pop_next_subtask()[线性前进，不回溯]

Outer Loop 负责按子任务顺序推进全局计划；Inner Loop 负责在单个子任务内用 ReACT 范式反复「思考 → 行动 → 观察」。两层解耦是后续所有可靠性设计的基础：计划修改和工具执行不在同一个循环里打架。

三、Agent 全景：谁负责什么？

3.1 注册在 available_agents 的 4 个执行 Agent

在 XAgent/core.py 中注册：

3.2 元 Agent：DispatcherAgent

DispatcherAgent 不执行任务本身，而是为其他 Agent 按当前子任务动态生成附加 user prompt。它通过 XAgentDispatcher.dispatch() 被调用：

1. 取目标 Agent 的 example prompt
2. 若 enable=True：调用 DispatcherAgent.parse() 生成定制化附加 prompt
3. 解析失败则 fallback 到默认 prompt
4. build_agent() 实例化目标 Agent

注意：当前默认配置 enable=False（core.py），生产路径直接使用静态 prompt 模板，不经 Dispatcher 动态 refine。

3.3 工作流编排类（非 BaseAgent，但承担 Agent 职能）

3.4 摘要模块：summarize.py（函数式，非 Agent 类）

与 ReflectAgent 的分工：summarize 压缩原始轨迹，Reflect 输出结构化后验知识供下一子任务消费。

3.5 枚举存在但未实现的 Agent

• task_evaluator：枚举在 utils.py，无实现类
• summarization：有 SummarizationTrieTree 骨架，未接入主流程

四、为什么这么拆？设计哲学

4.1 能力分派，而非单体超级 Agent

每个 Agent 通过 RequiredAbilities 枚举声明单一能力集合，由 AgentDispatcher.agent_markets 按能力路由。好处：

• Prompt 专精：PlanGenerate 专注全局分解，ToolAgent 专注逐步执行，互不污染
• 可替换：同一能力可注册多个 Agent 实现，Dispatcher 选第一个
• 可测试：每个 Agent 的输入输出边界清晰

4.2 计划生成 vs 计划修正：两种认知任务

把「从零规划」和「局部修正」拆开，避免执行中的 Agent 随意改已完成任务，这是防扯皮的第一道防线。

4.3 执行与反思分离：ToolAgent 不自我辩论

ToolAgent 在 Inner Loop 只做三件事：思考、调工具、提交（subtask_submit）。它不修改计划，若发现后续子任务需要调整，通过 subtask_submit.suggestions_for_latter_subtasks_plan.need_for_plan_refine 把意图交给 PlanRefineAgent。

ReflectAgent 在子任务结束后单次调用，输出 action_list_summary、posterior_plan_reflection 等，供后续子任务读取。没有「ToolAgent 和 PlanRefine 同环对话」的设计，从根本上杜绝多 Agent 来回辩论。

4.4 FunctionHandler 统一中介

所有工具调用（含 intrinsic tools：subtask_submit、ask_human_for_help）都经 FunctionHandler.handle_tool_call() 路由，集中做：

• 命令分发
• 状态码映射（ToolCallStatusCode）
• ToolServer 超时重试
• 长结果压缩（long_result_summary）

Agent 层不直接碰 HTTP，降低耦合。

4.5 summarize 独立：控制 Token 预算

ReACT 每步可能积累大量工具输出。summarize_action / summarize_plan 在写入 message history 前做压缩（clip_text、LLM 摘要），防止上下文爆炸导致 LLM 调用失败或成本失控。

五、工具调用可靠性：三层防护

5.1 LLM 层：重试 + 上下文降级

上下文超长时自动降级到更大模型（gpt-4 → gpt-4-32k 等），见 openai.py 第 69–90 行。

此外，obj_generator.chatcompletion() 通过 recorder.query_llm_inout() 查缓存；experiment.redo_action: false 时优先用缓存，避免重复 LLM 调用。

5.2 Schema 层：幻觉工具名与坏 JSON 修复

obj_generator.py：

• function_call_refine()：校验 function name 是否在允许列表；幻觉工具名时注入 system error message 再抛 FunctionCallSchemaError 触发重试
• dynamic_json_fixes()：broken JSON 时让 LLM 修复后重新校验
• load_args_with_schema_validation()：参数 schema 失败时自动修复一次

ToolAgent.parse()（OpenAI 模式）：

# tool_agent/agent.py 第 116–125 行jsonschema.validate(tool_call_args, schema)# 失败 → objgenerator.dynamic_json_fixes() → 再 validate

双重校验确保 LLM 输出的 function call 结构合法，减少「调了个不存在的工具」的情况。

5.3 ToolServer 层：状态码映射 + 超时重试

HTTP 状态码 → ToolCallStatusCode：

超时重试（function_handler.py 第 219–231 行）：

MAX_RETRY = 10while retry_time < MAX_RETRY and status == TIMEOUT_ERROR and detail['type'] == 'retry':time.sleep(3)# 用 detail['next_calling'] + detail['arguments'] 重试

ToolServer 可通过异常 type='retry' 告知客户端「这次超时但可重试」，最多 10 次、每次间隔 3 秒。超过上限则返回友好错误信息，不抛异常阻断主流程。

关键设计：失败不阻断 ReACT 循环

工具失败时，tool_status_code 写入 ToolNode.data，结果作为 system message 追加到 history，ReACT 继续下一步（除非触发 subtask_submit）。Agent 可以从错误中学习，而不是一失败就 crash。

5.4 长结果处理

• long_result_summary()：网页类工具调用 parse_web_text 压缩；字符串 >2000 字符有 summarize 占位
• clip_text(file_archi, 1000) 限制文件系统结构展示
• summary.single_action_max_length: 4096、max_return_length: 8192 控制摘要输出

5.5 尚未实现的可靠性机制

• 无 Circuit Breaker：ToolServer 503 直接抛异常
• TIME_LIMIT_EXCEEDED 枚举存在但未使用
• tool_call_count 在 TaskHandler 中初始化为 0 但从未递增
• ToolServer 请求 timeout 硬编码 10–20s，非统一配置

六、防死循环与防扯皮

6.1 ReACT Inner Loop：硬步数上限

ReACT.py 第 220–312 行：

while now_node.get_depth() < config.max_subtask_chain_length:# 默认 15...if now_node.get_depth() == config.max_subtask_chain_length - 1:function_call = {"name": "subtask_submit"}# 最后一步强制提交if tool_output_status_code == SUBMIT_AS_SUCCESS:breakelif tool_output_status_code == SUBMIT_AS_FAILED:break

尽管类名含 Search 且维护 TaskSearchTree，实际是单链而非树搜索分支——没有 backtracking，不会在同一子任务内反复探索多条路径。

6.2 Plan Refine：有限修正 + 显式退出

plan_exec.py plan_refine_mode()：

while modify_steps < max_step:# max_plan_refine_chain_length: 3...if operation == 'exit':output_status_code = PLAN_REFINE_EXITif output_status_code in (PLAN_REFINE_EXIT, MODIFY_SUCCESS):returnmodify_steps += 1

• 最多 3 步 refine
• exit 操作可随时退出
• 一次 MODIFY_SUCCESS 即 return
• 计划树深度 ≤ 3、宽度 ≤ 5 在代码中强制校验

6.3 子任务单向推进：不回溯、不辩论

• 中序遍历 + 单向前进：Plan.pop_next_subtask() 只取当前任务之后第一个 TODO 子任务，不回溯已完成任务
• Plan Refine 编辑边界：deal_subtask_split/delete/add 中 can_edit 逻辑限制只能改未来子任务
• 无多 Agent 对话环：Reflect 仅在子任务结束后单次调用；ToolAgent 不与 PlanRefine 同环运行

这三条合在一起，解决了 Agent 系统里最常见的两类「扯皮」：

1. 执行中反复改计划 → 执行与修正分离，修正有步数上限
2. 多 Agent 互相推翻结论 → 单向流水线，后验知识只写一次

6.4 人机交互中断（非死循环，但可打断）

• interaction.interrupt 时用户可改写 goal（outer loop）或 thoughts（inner loop）
• ask_human_for_help 是同步阻塞等待用户输入，然后继续循环——这是「等人」，不是 Agent 间辩论

6.5 上下文压缩（间接防无限膨胀）

enable_summary: true 时 ReACT 每步用 summarize_action / summarize_plan 压缩历史，避免 message 无限增长导致 LLM 反复因 context 超长而失败重试，形成隐性死循环。

七、关键配置参数速查

来源：assets/gpt-3.5-turbo_config.yml

max_retry_times: 3# LLM 调用重试max_subtask_chain_length: 15# ReACT 单链子任务最大步数max_plan_refine_chain_length: 3 # 计划修正最大迭代max_plan_tree_depth: 3# 计划树深度上限max_plan_tree_width: 5# 计划树宽度上限max_plan_length: 4096enable_summary: true# 上下文压缩开关summary:single_action_max_length: 4096max_return_length: 8192enable_ask_human_for_help: falseexperiment:redo_action: false# false = 使用 LLM/Tool 缓存

八、架构关系图

flowchart TBsubgraph Entry[&#34;入口&#34;]Server[&#34;XAgentServer&#34;]endsubgraph Core[&#34;XAgentCoreComponents&#34;]Dispatcher[&#34;XAgentDispatcher<br/>(enable=False)&#34;]FH[&#34;FunctionHandler&#34;]TSI[&#34;ToolServerInterface&#34;]WM[&#34;WorkingMemoryAgent&#34;]endsubgraph OuterLoop[&#34;Outer Loop — TaskHandler&#34;]PA[&#34;PlanAgent&#34;]PGen[&#34;PlanGenerateAgent&#34;]PRef[&#34;PlanRefineAgent&#34;]Refl[&#34;ReflectAgent&#34;]endsubgraph InnerLoop[&#34;Inner Loop — ReACTChainSearch&#34;]TA[&#34;ToolAgent&#34;]Sum[&#34;summarize.py&#34;]endServer --> TH[&#34;TaskHandler&#34;]TH --> PAPA -->|plan_generation| Dispatcher --> PGenTH -->|per subtask| InnerLoopInnerLoop --> Dispatcher --> TATA --> FH --> TSIInnerLoop --> SumTH -->|posterior| ReflTH -->|plan_refine| PRefTH --> WM

九、技术债与展望

十、总结

XAgent 的多 Agent 拆分遵循一条清晰原则：不同认知任务用不同 Agent，用硬上限和单向流水线约束协作边界。

• 可靠性：LLM 重试 + Schema 修复 + ToolServer 超时重试 + 失败写入 history 继续执行
• 防死循环：ReACT 15 步硬上限 + 最后一步强制 submit + Plan Refine 3 步上限
• 防扯皮：执行/修正/反思三阶段分离 + 子任务单向推进 + 只能改未来计划

如果你在做自己的 Agent 框架，最值得抄的三件事是：FunctionHandler 统一中介、subtask_submit 驱动计划变更、summarize 控制 token 预算。其余部分（Dispatcher 动态 prompt、WorkingMemory 跨任务通信）在源码里还是半成品，正好留给你改进的空间。