Hoe voorkom je dat AI-agents vastlopen in oneindige loops bij langdurige taken

Iedereen die ooit een AI-agent een taak heeft gegeven die verder ging dan lokale refactoring van een enkele functie kent dit probleem. De eerste 15 minuten gaan prima. Maar tegen het tweede uur begint de agent zijn eigen code voor de derde keer te herschrijven, raakt de context kwijt, verbrandt tokens, en eindigt met vastlopen. Reguliere chatsessies en eenvoudige timers helpen hier niet.

Ontwikkelaar huangruiteng publiceerde een project genaamd LoopX op GitHub — een lokaal control plane voor langlopende AI-agents. Het project probeert niet de onderliggende engine te vervangen zoals Claude Code, Codex CLI, of Cursor. In plaats daarvan neemt het state management, limieten en beslispunten voor zijn rekening.

Waarom een apart controlelaag nodig is

Wanneer een taak zich uitstrekt over dagen of weken, veranderen requirements, worden verificatieresultaten verouderd, en moeten agents werk aan elkaar overdragen. In zo'n situatie verandert standaard chatgeheugen snel in chaos.

LoopX stelt voor om agentwerk te behandelen als een Kanban-bord. Kaarten slaan context, toegangsrechten, verzamelde bewijzen en voortzettinginstructies op.

objective / issue / project
   │
   ▼
LoopX state: objective + gates + todos + scope + evidence + quota
   │
   ├─ нужен человек? ─────────▶ задать точечный вопрос и ждать
   │
   ├─ есть безопасный фолбэк? ▶ запустить один ограниченный шаг
   │
   ▼
Codex / Claude Code / Cursor / shell исполняют один шаг
   │
   ▼
запись артефактов + передача + следующий todo ─▶ квота решает, когда следующий запуск

Er is geen hoofdagent in het systeem. Geregistreerde executors worden als peers behandeld. Wie precies de volgende stap neemt wordt bepaald door taakverzoeken, lease timeouts en roloverdrachtregels.

Wat erin zit en hoe het werkt

De LoopX-kern is geschreven in Python 3.11+ en heeft geen externe runtime-afhankelijkheden — alleen standard library modules worden gebruikt.

Het hele mechanisme is gebouwd rond het beantwoorden van eenvoudige vragen:

• Wat is het huidige doel en de reikwijdte van autoriteit?
• Wat moet er precies als volgende gebeuren, en wie is verantwoordelijk?
• Waar vereist een directe menselijke beslissing (user gate)?
• Welke feiten en werpresultaten zijn veranderd sinds de laatste run?
• Kunnen we doorgaan vanuit een budget- en quotaperspectief?

Het project geeft de agent geen volledige autonomie bij het uitvoeren van gevaarlijke acties. Publiceren van code, schrijven naar productie, en definitieve bevestiging van resultaten blijven altijd bij de mens.

Testen op echte taken

De repository bevat verschillende werkvoorbeelden die honderden uren aan echte verstreken tijd beslaan. Dit is geen continue neural network draaien, maar de totale projectlevensduur met veel korte, verweven runs en checks.

Het eerste geval is het oplossen van bugs in het open-source OpenViking-project. LoopX behield repository context, commit history en review-requirements gedurende 200 uur werk aan de PR.

Het tweede geval is het automatiseren van ML-experimenten. Hypotheses, run-resultaten, verworpen hypotheses en stoppunten werden allemaal bewaard in één beslisgrafiek.

Snelle start

Je hebt Python 3.11, bash, curl en tar nodig om het te draaien. De repository klonen via git is niet nodig als je LoopX zelf niet gaat modificeren.

Installatie wordt gedaan met één commando:

curl -fsSL https://raw.githubusercontent.com/huangruiteng/loopx/main/scripts/install-from-github.sh | bash
export PATH="$HOME/.local/bin:$PATH"
loopx doctor

Daarna navigeer je naar je projectfolder en verbind je de omgeving:

cd /path/to/your-project
loopx connect
loopx status

Als het project nieuw is, kun je een doel starten via de interactieve helper:

loopx start-goal --guided --project . --goal-text "Опишите вашу долгосрочную задачу"

De tool maakt een .loopx/ directory in de projectfolder. Deze, samen met .local/ en .codex/goals/, moet direct aan .gitignore worden toegevoegd.

Er zijn kant-en-klare integraties beschikbaar voor het verbinden met populaire agents:

• Claude Code: een speciale adapter wordt geïnstalleerd, waarna het /loopx <task> commando en standaard /loop beschikbaar worden.
• Codex CLI: de agent pollt states via loopx doctor en voert een specifieke /goal <task_body> uit.
• Custom scripts: het is voldoende om een reeks CLI-commando's aan te roepen voor quota checks (loopx quota should-run), het nemen van een taak (loopx todo claim), en het updaten van state (loopx todo update).

Voor wie is het bedoeld

LoopX is in een vroege fase (versie 0.4.x), maar biedt nu al een werkende aanpak voor het contextbehoudsprobleem.

De tool is nuttig als je:

• Agents draait op onderzoekstaken of benchmarks die meerdere dagen duren.
• Een keten van meerdere agents wilt organiseren (bijvoorbeeld, één schrijft code, de tweede doet review).
• Het beu bent dat auto-autonome scripts je API-balans verbranden met oneindige pogingen om dezelfde test te fixen.

Als je taken beperkt zijn tot het genereren van kleine functies op aanvraag in chat, is LoopX overkill.