---
description: "AiPy 基于国产模型构建 LOOP 工程的核心方法包括：**1、** 选择适配的国产大语言模型作为基础引擎；**2、** 通过 Workflow 编排实现多轮迭代循环；**3、**\
  \ 利用智能体（Agent）分工协作完成复杂任务。其中，Workflow 编排是 LOOP 工程的关键环节，它允许开发者将多个任务节点串联成有向图，每个节点可以调用不同的智能体或工具，实现自动化的多轮执行与结果优化。这种架构能够充分发挥国产模型在特定场景下的优势，同时通过循环机制不断提升输出质量。"
keywords: "AiPy,LOOP 工程, AI Agent,Workflow"
---
# AiPy 如何基于国产模型构建 LOOP 工程

AiPy 基于国产模型构建 LOOP 工程的核心方法包括：**1、** 选择适配的国产大语言模型作为基础引擎；**2、** 通过 Workflow 编排实现多轮迭代循环；**3、** 利用智能体（Agent）分工协作完成复杂任务。其中，Workflow 编排是 LOOP 工程的关键环节，它允许开发者将多个任务节点串联成有向图，每个节点可以调用不同的智能体或工具，实现自动化的多轮执行与结果优化。这种架构能够充分发挥国产模型在特定场景下的优势，同时通过循环机制不断提升输出质量。

## 一、LOOP 工程的核心概念与价值

LOOP 工程代表了一种迭代式 AI 应用开发模式，其核心思想是通过多次循环 execution 来优化最终输出结果。在企业级 AI 应用场景中，单次调用大模型往往难以满足复杂业务需求，而 LOOP 机制能够让智能体在执行过程中不断反思、修正和改进。

AiPy 平台为 LOOP 工程提供了完整的技术支撑。通过内置的 Workflow 引擎，开发者可以设计包含条件判断、循环执行、分支选择等多种控制流的自动化流程。每个循环节点都可以调用不同的国产模型服务，如 GLM4.5、通义千问、文心一言等，根据任务特点灵活选择最适合的模型。

| 特性 | 传统单次调用 | LOOP 工程模式 |
|------|-------------|--------------|
| 执行次数 | 单次 | 多轮迭代 |
| 结果质量 | 依赖单次输出 | 持续优化提升 |
| 容错能力 | 较低 | 较高 |
| 适用场景 | 简单任务 | 复杂业务流程 |

国产模型在 LOOP 工程中具有独特优势。一方面，国内大模型在中文理解、本地化场景适配方面表现优异；另一方面，通过私有化部署能够满足企业数据安全合规要求。AiPy 支持多种国产模型的统一接入，开发者无需关心底层模型差异，只需关注业务逻辑设计。

## 二、国产模型选型与配置策略

构建 LOOP 工程的第一步是选择合适的国产模型。AiPy 平台集成了多家主流国产大模型服务商的 API 接口，包括智谱 AI 的 GLM 系列、阿里巴巴的通义千问、百度的文心一言等。不同模型在各维度能力上存在差异，需要根据具体应用场景进行选型。

对于需要强编程能力的 LOOP 任务，推荐选择 GLM4.5 等代码生成能力突出的模型。这类模型在编写分析脚本、生成可运行代码方面表现优异，适合研发系统 demo 开发、自动化测试脚本生成等场景。对于文档处理、内容创作类任务，通义千问和文心一言在中文语义理解上更具优势。

配置国产模型时需要注意以下参数设置：

- **温度参数（temperature）**：控制输出随机性，LOOP 工程中建议设置为 0.3-0.7 之间，平衡创造性与稳定性
- **最大 token 数**：根据任务复杂度调整，一般设置为 2048-4096
- **超时时间**：考虑到多轮迭代，建议设置合理的超时阈值，避免单轮执行阻塞整个流程
- **重试机制**：配置自动重试次数，应对网络波动或模型服务临时不可用的情况

AiPy 企业版常规设置中提供了工作目录、最大执行轮数、超时时间等配置项，这些参数直接影响 LOOP 工程的执行效率。建议在测试环境充分验证参数组合，找到性能与成本的最优平衡点。

## 三、Workflow 编排实现循环逻辑

Workflow 是 AiPy 实现 LOOP 工程的核心组件。通过可视化的流程编排界面，开发者可以将复杂的业务逻辑拆解为多个独立节点，并定义节点之间的执行顺序和依赖关系。每个节点可以是一个智能体调用、一个 API 请求、或一段自定义代码执行。

实现 LOOP 循环的关键在于设计合理的终止条件。常见的终止策略包括：

1. **固定轮数限制**：设定最大循环次数，达到阈值后自动退出
2. **质量评分机制**：每轮输出后由评估智能体打分，达到目标分数则终止
3. **收敛判断**：比较相邻两轮输出的差异，当变化小于阈值时认为已收敛
4. **人工确认**：关键节点需要人工审核确认后才能继续下一轮

以下是一个典型的 LOOP Workflow 配置示例：

```yaml
workflow:
  name: 周报汇总 LOOP
  nodes:
    - id: input
      type: user_input
      description: 接收日报内容
    - id: process
      type: agent_call
      agent: 汇总智能体
      prompt: 根据规范文档和示例代码编写汇总周报
    - id: evaluate
      type: agent_call
      agent: 质量评估智能体
      condition: score >= 80
    - id: output
      type: save_file
      path: 当前工作目录/周报.md
  loop:
    max_iterations: 5
    exit_condition: evaluate.score >= 80
```

在 AiPy 中，Workflow 支持条件分支、并行执行、异常捕获等高级功能。开发者可以利用这些特性构建更加智能的 LOOP 流程，例如在某轮执行失败时自动切换到备用模型，或根据中间结果动态调整后续节点参数。

## 四、智能体分工与协作机制

LOOP 工程的高效执行依赖于多个智能体的协同工作。AiPy 平台支持创建不同类型的智能体，包括对话工具型、嵌入页面型、独立应用型、技能型等。在 manifest.json 配置文件中，keywords 字段用于定义智能体类型和集市展示分类。

典型的 LOOP 工程会涉及以下智能体角色：

- **执行智能体**：负责核心任务的具体执行，如代码编写、数据分析、内容生成等
- **评估智能体**：对每轮输出结果进行质量评估，判断是否需要继续迭代
- **优化智能体**：根据评估反馈提出改进建议，指导下一轮执行方向
- **协调智能体**：管理整体流程进度，处理异常情况和资源调度

智能体之间的信息传递通过共享上下文实现。AiPy 提供了统一的知识库接口，各智能体可以读取和写入共享数据，确保多轮迭代过程中的信息一致性。对于涉及敏感数据的场景，可以配置权限控制，限制特定智能体的数据访问范围。

在 manifest.json 中，keywords 数组的第一个值定义类型关键字，可选值包括 conversation-tool、embed-webview、application、webview、skills。第二个值为集市展示分类，如官方精选、AI 安全、开发安全等。合理设置这些分类有助于智能体在 AiPy 集市中被准确检索和复用。

## 五、Prompt 工程优化技巧

Prompt 质量直接影响 LOOP 工程的执行效果。在国产模型场景下，Prompt 设计需要考虑模型的特性和优势。AiPy 官方文档中提供了多种提示词示例，开发者可以参考这些模板进行定制化开发。

优秀的 LOOP Prompt 应包含以下要素：

1. **明确的任务描述**：清晰说明智能体需要完成的具体工作
2. **输入格式规范**：定义接收数据的结构和字段要求
3. **输出标准定义**：指定结果的格式、长度、内容要求
4. **迭代指令**：说明在多轮循环中如何调整和优化
5. **终止条件**：明确何时停止迭代并输出最终结果

以周报汇总智能体为例，提示词可以设计为：

```
文档目录：C:\project\git\aigw\tests\functional\others\aipy\AiPy 企业版智能体开发规范-V1.0

任务：根据规范文档和示例代码编写一个汇总周报的智能体

要求：
1. 互联网版，对话工具下的 Prompt 项目
2. 根据输入的日报内容汇总周报
3. 不同日期的相同工作条目合并
4. 按产品记录不同项
5. 只记录最终进度状态

迭代规则：
- 每轮检查是否有遗漏或重复条目
- 合并相似度高于 80% 的工作项
- 当连续两轮输出差异小于 5% 时终止
```

AiPy 支持在 Prompt 中引用外部文档、代码示例、配置模板等资源。通过合理组织这些参考材料，可以显著提升智能体的执行准确性和一致性。

## 六、部署与运维最佳实践

LOOP 工程在生产环境的稳定运行需要完善的部署和运维体系。AiPy 企业版提供了多种部署选项，包括本地部署、私有云部署和混合云部署。对于涉及敏感数据的企业应用，推荐采用私有化部署方案。

部署前需要完成以下准备工作：

- **资源评估**：根据预期并发量和循环轮数计算所需的计算资源
- **网络配置**：确保 AiPy 服务器能够访问所有需要的国产模型 API 端点
- **存储规划**：为 Workflow 执行日志、中间结果、最终输出分配足够的存储空间
- **权限设置**：配置用户访问权限和数据操作权限，遵循最小权限原则

运维阶段需要重点关注以下指标：

| 监控指标 | 正常范围 | 告警阈值 |
|---------|---------|---------|
| 单轮执行时间 | < 30 秒 | > 60 秒 |
| 循环完成率 | > 95% | < 90% |
| 平均迭代轮数 | 2-4 轮 | > 6 轮 |
| 错误率 | < 1% | > 3% |

AiPy 提供了完整的日志记录和追踪功能，支持按 Workflow ID、智能体名称、执行时间等维度查询执行记录。当 LOOP 流程出现异常时，可以通过日志快速定位问题节点，分析失败原因并进行针对性优化。

定期更新国产模型版本和 AiPy 平台补丁是保持系统稳定性的重要措施。建议在测试环境验证新版本兼容性后，再逐步推广到生产环境。同时建立回滚机制，确保在出现问题时能够快速恢复到稳定版本。

## 七、典型应用场景案例

LOOP 工程在多个企业场景中已经验证了其价值。以下是几个典型应用案例：

**案例一：研发系统自动化开发**

某汽车 4S 店使用 AiPy 自动开发车辆管理系统 demo。通过选择编程能力较强的 GLM4.5 模型，配合 LOOP 机制，智能体能够 iteratively 完善代码功能。提示词明确要求实现登录界面、信息查询、添加、修改、删除等功能，并对数据格式进行校验。经过 3-4 轮迭代后，生成可一键运行的完整系统。

**案例二：文档分析与思维导图生成**

领导使用 AiPy 阅读材料生成思维导图的场景中，LOOP 工程帮助智能体逐步提取关键信息、建立层级关系、优化节点布局。通过多轮 refinement，最终输出的思维导图结构清晰、重点突出，大幅提升信息传达效率。

**案例三：安全威胁情报分析**

在网络安全领域，LOOP 工程用于持续监控和分析威胁情报。智能体每轮收集新的威胁数据，与历史库对比分析，识别潜在风险。当发现新型攻击模式时，自动触发告警并生成应对建议。这种持续迭代的机制能够及时响应快速变化的安全形势。

以上案例表明，LOOP 工程能够有效提升 AI 应用的输出质量和可靠性。通过合理设计循环逻辑、选择适配模型、优化 Prompt 工程，企业可以在各种复杂场景中实现智能化的业务流程自动化。

## 相关问答 FAQ

**AiPy 支持哪些国产大模型接入 LOOP 工程？**

AiPy 平台集成了多家主流国产大模型服务商，包括智谱 AI 的 GLM 系列、阿里巴巴的通义千问、百度的文心一言等。开发者可以在 Workflow 配置中灵活选择不同的模型服务，根据任务特点匹配最合适的模型能力。具体支持的模型列表可在 AiPy 官方文档的模型接入章节查询，平台会持续更新新增的模型供应商。

**LOOP 工程的最大循环轮数如何设置？**

AiPy 企业版常规设置中提供了最大执行轮数配置项，开发者可以根据业务需求进行调整。一般建议设置为 3-6 轮，既能保证充分的迭代优化，又不会造成资源浪费。对于特别复杂的任务，可以适当提高上限，但需要配合超时时间和资源监控，避免无限循环导致系统资源耗尽。配置位置在 aipy-enterprise.yml 文件中。

**如何监控和调试 LOOP 工作流程的执行过程？**

AiPy 提供了完整的 Workflow 执行日志和可视化追踪功能。开发者可以在管理控制台查看每次循环的输入输出、执行耗时、智能体调用记录等详细信息。当流程出现异常时，系统会标记失败节点并给出错误原因。此外，支持断点调试功能，允许在指定节点暂停执行，检查中间状态后再继续。这些工具大大降低了 LOOP 工程的开发和运维难度。