源码深读 XAgent：6 个 Agent 如何分工？工具调用失败不崩溃、死循环如何防范？
拆解一个 AI Agent 系统的源码，最令人头疼的是什么？架构混乱、Agent之间相互干扰、工具调用频繁出错，或者系统陷入死循环无法自拔。最近深入研究了 XAgent 的核心代码，发现它在设计上确实下了不少功夫——尤其是在“故障防御”和“内部协调”这两个关键方面。下面就来详细分析这套系统中几个值得关注的架构设计思路。整体执行模型：双层循环
XAgent 的核心编排器是 `TaskHandler`。它将用户的单次请求处理拆分为内外两层循环。外层循环负责推进全局计划，像指挥官一样按序下发任务。内层循环则负责执行具体的子任务，采用标准的 ReACT 范式（思考→行动→观察）完成流程。
这种“双层解耦”设计是整个系统可靠性的基石。它确保了“修改计划”和“执行工具”这两个动作不会在同一个循环中相互干扰，从而避免了各种逻辑混乱。
Agent 全景：6 个 Agent，各司其职
XAgent 的 Agent 分工十分明确，并非由一个大模型包揽所有工作。 **注册在 `available_agents` 的 4 个执行 Agent**（在 `XAgent/core.py` 中注册）： | Agent | 核心职责 | | --- | --- | | PlanGenerateAgent | 将用户问题分解为一个包含 2-4 个子任务的初始计划树。 | | PlanRefineAgent | 在单个子任务完成后，对后续计划进行局部修正（拆分、添加、删除或退出）。 | | ToolAgent | 内层循环的实际执行者，负责推理，然后决定是调用工具还是提交子任务。 | | ReflectAgent | 子任务结束后，进行复盘，提取后验知识，供后续任务参考。 | **元 Agent：DispatcherAgent** 它本身不执行具体任务，但专门为其他 Agent 动态生成附加的提示词（prompt）。可以将其理解为一个“提示词定制师”。不过，当前默认配置下此功能是关闭的，生产环境直接使用静态模板。 **工作流编排类（非 Agent，但执行 Agent 职能）** - **PlanAgent**：负责计划的整个生命周期，从生成到修正。 - **TaskHandler**：主编排器，统筹内外循环。 - **ReACTChainSearch**：内层循环的单链执行器，驱动 ToolAgent。 - **WorkingMemoryAgent**：负责跨子任务的记忆通信，但当前实现尚不完整。 **摘要模块** `summarize.py` 中的函数负责压缩工具调用的历史记录和计划树，防止上下文无限膨胀导致大模型调用失败。简单来说，它与 `ReflectAgent` 的分工是：`summarize` 负责压缩轨迹，`Reflect` 负责输出结构化知识。 此外，代码中还列举了 `task_evaluator` 和 `summarization` 两个 Agent，但当前均未真正接入主流程，属于“预留功能位”。为什么这样拆分？设计哲学
这套分工体系背后有着清晰的设计理念。 **能力分配，而非单体超级 Agent。** 每个 Agent 只专注于一种能力。PlanGenerate 专心做全局分解，ToolAgent 只管执行。这样做的好处是提示词可以非常专精，互不污染，而且每个 Agent 都可替换、可测试。 **计划生成与计划修正是两种不同的认知任务。** “从零规划”和“局部修正”被严格分开。PlanGenerate 开始时一次性分解，PlanRefine 只能修改未来的子任务，且权限有限。这有效防止了执行过程中的 Agent 随意修改已完成任务，构成了防内耗的第一道防线。 **执行与反思分离。** ToolAgent 在内层循环中只做三件事：思考、调工具、提交。它不修改计划，即使发现需要调整，也只是通过 `subtask_submit` 提出“建议”，交由 PlanRefineAgent 处理。ReflectAgent 也是事后单次调用，彻底杜绝了多 Agent 来回辩论的死循环。 **用 FunctionHandler 做统一中介。** 所有工具调用（包括内置工具 `subtask_submit` 等）都通过它进行路由。它统一处理命令分发、状态码映射、超时重试和长结果压缩。Agent 层完全不需要直接接触 HTTP，耦合度很低。 **`summarize` 独立出来控制 Token 预算。** 避免上下文爆炸导致大模型调用失败或成本失控。工具调用可靠性：三层防护
工具调用是 Agent 的命门，XAgent 为此设计了整整三层防护。 **LLM 层：重试 + 上下文降级。** 从 ToolAgent 解析到大模型调用，都有重试机制。上下文过长时会自动切换到更大容量的模型。 **Schema 层：防幻觉与坏 JSON。** `obj_generator.py` 中设有专门机制校验函数名是否存在于白名单中（防幻觉），并能修复损坏的 JSON 后再让大模型重新校验。ToolAgent 本身也会做二次校验，确保大模型输出的函数调用结构合法。 **ToolServer 层：状态码映射 + 超时重试。** HTTP 状态码被映射成有业务含义的状态码。例如，404 表示幻觉工具名，450 表示超时。对于可重试的超时错误，系统最多重试 10 次。最关键的是，工具失败时系统不会被“卡死”。失败信息会作为系统消息追加到对话历史中，ReACT 循环继续向前推进，Agent 可以从错误中学习。防死循环与防内耗：硬上限、单向推进、提交驱动
这是 Agent 系统最棘手的问题，XAgent 的解法十分硬核。 **ReACT 内层循环：硬步数上限。** 每个子任务最多执行 15 步，最后一步强制要求提交。这从根本上杜绝了无限调用工具的隐患。 **Plan Refine：有限修正 + 显式退出。** 最多迭代 3 步修正，并提供了 `exit` 操作作为显式退出条件。 **子任务单向推进：不回溯，不辩论。** PlanAgent 采用中序遍历，每次只取当前任务之后第一个“待办”的子任务，绝不回溯。Plan Refine 也明确只能编辑未来的子任务。ReflectAgent 是事后单次复盘，不与 ToolAgent 在同一循环中对话。这三条规则完美避免了执行中反复修改计划以及多 Agent 互相推翻结论的“内耗”现象。 **上下文压缩：间接防无限膨胀。** 启用摘要功能后，ReACT 每步都会压缩历史，防止因上下文无限增长导致大模型反复失败重试，形成一种隐性的死循环。关键配置参数速查
（来源：`assets/gpt-3.5-turbo_config.yml`） - `max_retry_times: 3` — 大模型调用重试次数 - `max_subtask_chain_length: 15` — ReACT 单链子任务最大步数 - `max_plan_refine_chain_length: 3` — 计划修正最大迭代次数 - `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: 4096` - `enable_summary: true` — 上下文压缩开关 - `summary.single_action_max_length: 4096` - `summary.max_return_length: 8192` - `enable_ask_human_for_help: false` - `experiment.redo_action: false` — `false` 表示启用大模型/工具缓存架构关系图
``` flowchart TB subgraph Entry["入口"] Server["XAgentServer"] end subgraph Core["XAgentCoreComponents"] Dispatcher["XAgentDispatcher(enable=False)"] FH["FunctionHandler"] TSI["ToolServerInterface"] WM["WorkingMemoryAgent"] end subgraph OuterLoop["Outer Loop — TaskHandler"] PA["PlanAgent"] PGen["PlanGenerateAgent"] PRef["PlanRefineAgent"] Refl["ReflectAgent"] end subgraph InnerLoop["Inner Loop — ReACTChainSearch"] TA["ToolAgent"] Sum["summarize.py"] end Server --> TH["TaskHandler"] TH --> PA PA -->|plan_generation| Dispatcher --> PGen TH -->|per subtask| InnerLoop InnerLoop --> Dispatcher --> TA TA --> FH --> TSI InnerLoop --> Sum TH -->|posterior| Refl TH -->|plan_refine| PRef TH --> WM ```
