Jak zapobiec utknięciu agentów AI w nieskończonych pętlach podczas długich zadań

Każdy, kto próbował powierzyć agentowi AI zadanie wykraczające poza lokalne refaktoryzowanie pojedynczej funkcji, zna ten problem. Pierwsze 15 minut przebiega świetnie. Po drugiej godzinie agent zaczyna przepisywać własny kod po raz trzeci, traci kontekst, spala tokeny i kończy utknięciem. Zwykłe sesje czatowe i proste timery tutaj nie pomagają.

Developer huangruiteng opublikował na GitHubie projekt o nazwie LoopX — lokalną płaszczyznę kontrolną dla długodziałających agentów AI. Projekt nie próbuje zastąpić silnika bazowego takiego jak Claude Code, Codex CLI czy Cursor. Zamiast tego zajmuje się zarządzaniem stanem, limitami i punktami decyzyjnymi.

Dlaczego potrzebna jest osobna warstwa kontrolna

Gdy zadanie rozciąga się na dni lub tygodnie, wymagania się zmieniają, wyniki weryfikacji stają się nieaktualne, a agenci muszą przekazywać sobie pracę. W takiej sytuacji standardowa pamięć czatu szybko zamienia się w chaos.

LoopX proponuje traktowanie pracy agentów jak tablicy Kanban. Karty przechowują kontekst, prawa dostępu, zebrane dowody i instrukcje kontynuacji.

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

W systemie nie ma głównego agenta. Zarejestrowani wykonawcy są traktowani jako równorzędni. To, kto dokładnie podejmuje następny krok, zależy od żądań zadań, limitów czasu dzierżawy i reguł przekazywania ról.

Co jest w środku i jak to działa

Rdzeń LoopX jest napisany w Pythonie 3.11+ i nie ma zewnętrznych zależności środowiskowych — używane są tylko moduły biblioteki standardowej.

Cały mechanizm opiera się na odpowiadaniu na proste pytania:

• Jaki jest obecny cel i zakres uprawnień?
• Co dokładnie trzeba zrobić dalej i kto jest za to odpowiedzialny?
• Gdzie wymagana jest bezpośrednia decyzja człowieka (bramka użytkownika)?
• Jakie fakty i wyniki pracy zmieniły się od ostatniego uruchomienia?
• Czy możemy kontynuować cykl z perspektywy budżetu i limitów?

Projekt nie przyznaje agentowi pełnej autonomii przy wykonywaniu niebezpiecznych działań. Publikowanie kodu, zapisywanie do produkcji i ostateczne potwierdzanie wyników pozostaje zawsze w gestii człowieka.

Testowanie na rzeczywistych zadaniach

Repozytorium zawiera kilka przykładów pracy obejmujących setki godzin rzeczywistego czasu. To nie jest ciągłe działanie sieci neuronowej, ale całkowity czas życia projektu z wieloma krótkimi, przeplatanymi uruchomieniami i sprawdzeniami.

Pierwszy przypadek to naprawianie błędów w projekcie open-source OpenViking. LoopX zachował kontekst repozytorium, historię commitów i wymagania dotyczące przeglądu przez 200 godzin pracy nad PR.

Drugi przypadek to automatyzacja eksperymentów ML. Hipotezy, wyniki uruchomień, odrzucone hipotezy i punkty zatrzymania zostały zachowane w jednym grafie decyzyjnym.

Szybki start

Będziesz potrzebować Pythona 3.11, bash, curl i tar, aby to uruchomić. Klonowanie repozytorium przez git nie jest wymagane, jeśli nie planujesz modyfikować samego LoopX.

Instalacja odbywa się za pomocą jednego polecenia:

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

Po tym przejdź do folderu projektu i połącz środowisko:

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

Jeśli projekt jest nowy, możesz uruchomić cel za pomocą interaktywnego kreatora:

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

Narzędzie utworzy katalog .loopx/ w folderze projektu. Powinien zostać natychmiast dodany do .gitignore wraz z .local/ i .codex/goals/.

Dostępne są gotowe integracje do łączenia z popularnymi agentami:

• Claude Code: instalowany jest specjalny adapter, po czym dostępne stają się polecenie /loopx <task> i standardowe /loop.
• Codex CLI: agent odpytuje stany przez loopx doctor i wykonuje określony /goal <task_body>.
• Własne skrypty: wystarczy wywołać sekwencję poleceń CLI do sprawdzania limitów (loopx quota should-run), pobierania zadania (loopx todo claim) i aktualizacji stanu (loopx todo update).

Kto powinien wypróbować

LoopX jest na wczesnym etapie (wersja 0.4.x), ale oferuje już działające podejście do problemu zachowywania kontekstu.

Narzędzie jest przydatne, jeśli:

• Uruchamiasz agentów w wielodniowych zadaniach badawczych lub testach porównawczych.
• Chcesz zorganizować łańcuch wielu agentów (np. jeden pisze kod, drugi wykonuje przegląd).
• Masz dość automatycznych skryptów, które wyczerpują saldo API na nieskończone próby naprawy tego samego testu.

Jeśli twoje zadania ograniczają się do generowania małych funkcji na żądanie w czacie, LoopX będzie przesadą.