自主智能体（Autonomous Agent）几乎都内建了循环终止旋钮——CrewAI 的 max_iter、LangGraph 的 recursion_limit、OpenAI Agents SDK 的 max_turns、OpenHands 的 stuck_detector。直觉上，设了上限就安全了。但 2026 年 7 月华中科技大学发表在 arXiv 的论文《When Agents Do Not Stop》给出反直觉结论：即使框架已经提供循环控制机制，无限智能体环（Infinite Agentic Loops, IALs）仍是真实工程风险——其工具 IAL-Scan 在真实自主体项目中确认了 68 个无限环失败、横跨 47 个项目、精度 91%。本期实测四款主流终止闸门，归纳出四种失效式：计数即放行、封顶即抢救、硬断即崩、觉醒即漏网。核心发现是——计数闸门计量的是步数而非进展，语义闸门抓的是死循环而非漂移环，设了闸，空转依旧。
| 闸门机制 | 所属框架 | 计量单位 | 触发行为 | 默认值 | 语义感知 | 典型失效式 |
|---|---|---|---|---|---|---|
max_iter |
CrewAI | 迭代次数 | 软封顶（"尽力给出好答案"） | 25 | 否 | 计数即放行 / 封顶即抢救 |
recursion_limit |
LangGraph | 超步数（super-step） | 硬熔断（抛 RecursionError） |
25 | 否 | 硬断即崩 |
max_turns |
OpenAI Agents SDK | 对话轮次 | 抛 MaxTurnsExceeded，可 None 关闭 |
默认开启 | 否 | 计数即放行 |
stuck_detector |
OpenHands | 语义动作-观察对 | 自动暂停 + is_stuck() |
默认开启 | 是（语义相等） | 觉醒即漏网 |
max_iter —— 软封顶的"尽力而为"陷阱架构原理：CrewAI 的每个 Agent 持有一个迭代计数器，每完成一轮"思考→工具调用→观察"自增。当计数逼近 max_iter 时，框架并不会硬杀，而是把"你已接近上限"作为提示注入上下文，诱导 LLM 收尾。官方文档原文："Once the agent approaches this number, it will try its best to give a good answer."（达到该数后，它会尽力给出一个好答案。）
from crewai import Agent
researcher = Agent(
role="市场研究员",
goal="完成某赛道竞品调研",
max_iter=25, # 默认 25：达到后触发"尽力收尾"
max_retry_limit=2,
allow_delegation=False, # 默认 False：关闭跨 Agent 委托旁路
)
优缺点：优点是简单、零成本、对正常任务足够；缺点致命——计数器只数步数，无法判断"这一步有没有进展"。一个反复调用失败工具、原地打转的 Agent 会老实把 25 次额度烧满才停（计数即放行）；而临近上限时"尽力给出好答案"的软诱导，反而会触发 LLM 编造一个看起来完整、实则未验证的伪结论（封顶即抢救）。allow_delegation=False 默认关闭委托，正是为了避免委托链路绕过主计数器形成旁路环。
变现/训练营评估：极高。这是训练营"自主体稳定性"模块最易演示的翻车现场——同一个任务，把 max_iter 从 25 调到 5，伪完成率肉眼可见飙升，可设计成对比实验课。
recursion_limit —— 硬熔断的"丢现场"架构原理：LangGraph 把图执行切成一个个 super-step，recursion_limit 限制总步数（默认 25）。与前者的软诱导截然相反，LangGraph 是硬熔断：一旦超限，直接抛出 Python 原生 RecursionError，整个图执行中断，没有任何"优雅收尾"的过渡。
graph.invoke(
inputs,
config={"recursion_limit": 25} # 默认 25；超过抛 RecursionError，整图崩溃
)
# 生产中常需提到 50/100，但提高上限 = 放大单次运行的烧钱上限
优缺点：优点是"绝对会停"，是最后一道安全网，绝不让环无限跑下去；缺点是停得太丑——硬抛异常意味着中间状态可能写到一半、checkpoint 处于不一致状态、上层调用方拿到的是栈跟踪而非部分结果。更隐蔽的问题：提升 recursion_limit 几乎是开发者面对长任务的本能反应，但这等同于把单次烧钱上限从 25 倍放大到 100 倍，把"安全网"撑成了"账单网"。
变现/训练营评估：中高。可结合成本监控做"recursion_limit 与单次成本上限"的耦合实验，讲清"安全网不等于省钱网"。
max_turns —— 可关闭的双刃架构原理：OpenAI Agents SDK 用 max_turns 限制 Runner 的执行轮次，超限抛 MaxTurnsExceeded 异常。它同时提供一个 on_max_turns 回调钩子，允许在撞线时自定义收尾逻辑（保存部分输出、返回降级结果），比 LangGraph 的硬抛异常更可控。但官方同时允许 max_turns=None 彻底关闭限制。
from agents import Runner
result = await Runner.run(
agent,
input="...",
max_turns=10, # 超过抛 MaxTurnsExceeded
# max_turns=None # ← 一行代码即可彻底关闭终止闸
)
# on_max_turns 钩子：撞线时优雅保存，而非崩溃
优缺点：优点是有钩子可优雅退出，工程友好；缺点同样是纯计数（计数即放行），且"可关闭"本身是巨大隐患——开发者为了"别让它中途停"随手设 None，等于亲手拆掉安全网。on_max_turns 钩子若不实现，行为就退化为硬熔断。
变现/训练营评估：高。可设计"三档配置"实验：默认 vs 提高 vs None，量化三者的完成率与成本，是企业落地最关心的 ROI 问题。
stuck_detector —— 唯一的语义觉醒架构原理：OpenHands 是四栈中唯一具备语义感知的闸门。它的 stuck_detector（默认开启）实时监控"最近一次用户消息之后"的事件历史，对相邻的 action-observation 对做语义比较（而非对象身份比较），一旦识别出重复模式就自动暂停执行。官方示例：Agent 连续执行 5 次 ls，检测器在抓到 4 个语义相同的动作-观察对后判定卡死，调用 is_stuck() 返回真，框架自动 halt。
from openhands.sdk import Conversation
conv = Conversation(config, stuck_detection=True) # 默认 True
# 监控用户消息后的事件历史，连续 4 个语义相同的动作对 → 判定卡死
if conv.stuck_detector.is_stuck():
conv.halt() # 早停，而非烧满 max_iterations
优缺点：优点是真正"懂"死循环——能在烧满预算之前就识别"你在原地打转"并早停，是四栈里唯一能省钱的闸门；缺点是它只抓语义相等的重复，抓不到"漂移环"——Agent 每次换个略微不同的查询、或以微小变体重试同一个失败动作，每个动作对都不完全相同，语义比较判不出重复（觉醒即漏网）。语义相等 ≠ 进度相等。
变现/训练营评估：最高。语义觉醒 vs 计数闸门的对比，是"自主体能不能自己知道该停"这一终极问题的最佳教学素材。
前四栈都在"怎么停"，arXiv 2607.01641 回答的是更根本的"为什么停不住"。论文把问题命名为 Infinite Agentic Loops（IALs），并给出一个框架无关的有界性判定模型：一个自主体环由四类元素构成——
核心判定：当一条反馈路径同时包含高代价或状态增长的动作，且没有有效边界覆盖它时，该环就会退化为 IAL——反复触发模型调用、工具调用、状态更新或 Agent 跳转，后果是"成本耗尽、模型拒绝服务、上下文膨胀、重复的副作用"。论文的 IAL-Scan 工具把源码抽象成框架无关的 Agent IR，构建 Agentic Loop Dependence Graph（ALDG），既恢复显式循环，也恢复框架隐式反馈路径（工作流跳转、工具分发、重试、Agent 再入）。实证结果：报告 74 个潜在发现，人工复核确认 68 个 IAL 失败、横跨 47 个项目、精度 91%。
这篇论文最关键的洞察不是"发现了多少 bug"，而是点破了闸门失效的结构性根因：主流框架都暴露了终止边界（max_iter、recursion_limit 等），但——
这正好解释了前四栈实测中"设了闸仍空转"的现象：闸门存在 ≠ 闸门覆盖了真实的反馈路径。
把前四栈的失效模式抽出来，自主体终止判断恰好有四种典型翻车式：
式一 · 计数即放行：CrewAI / LangGraph / OpenAI SDK 三家的纯计数闸门共享同一缺陷——计量步数而非进展。一个反复调用失败工具、原地打转的 Agent，会被闸门"放行"直到烧满全部额度才停。计数器回答的是"跑了多少步"，不是"这步有没有用"。
式二 · 封顶即抢救：CrewAI 的软诱导在临近上限时触发 LLM 编造伪完成——一个本应继续的任务，在撞线前被包装成"已完成"。这是最危险的一式，因为输出看起来正常，会骗过缺乏验证的上层流程。
式三 · 硬断即崩：LangGraph 抛 RecursionError，OpenAI SDK 默认抛 MaxTurnsExceeded（若无 on_max_turns 钩子）。绝对会停，但停得丑——中间状态不一致、checkpoint 半写、上层拿到栈跟踪。安全网保住了钱包，却丢了现场。
式四 · 觉醒即漏网：OpenHands 的语义觉醒是四栈里最先进的，但它建立在"语义相等 = 卡死"的假设上。漂移环（每步动作微变、却同样无进展）绕过了语义比较。语义相等 ≠ 进度相等，觉醒仍会漏网。
四式叠加的结论：没有任何单一闸门能独立保证"该停时停、该跑时跑"。生产级自主体必须组合使用。
基于四栈实测与 IAL 理论，推荐生产级自主体采用纵深防御的终止架构，而非依赖单一旋钮：
第一层 · 硬预算闸（绝对熔断）：以成本/Token 上限作为不可逾越的最后一道网，对应 LangGraph 的硬熔断语义，但必须配套 checkpoint 持久化与降级输出，避免"硬断即崩"。
第二层 · 计数闸（上限而非策略）：max_iter / max_turns 作为"最多跑多少步"的天花板，定位是兜底，不能当作唯一的进展判断。同时审计反馈旁路——委托链、重试逻辑、工具再入是否各自有独立计数，防止旁路在主计数器盲区空转（这正是 IAL 的结构性根因）。
第三层 · 语义 + 进度闸（早停）：引入 OpenHands stuck_detector 式的语义重复检测做死循环早停；再叠加一层"进度检测"——每 N 步用一个小模型或规则判断"目标完成度是否提升"，补上语义比较抓不到漂移环的漏洞。
关键工程动作：所有硬熔断必须挂 on_max_turns 钩子优雅退出（保存 checkpoint、返回部分结果），把"硬断即崩"转成"硬断即降级"。并把 IAL-Scan 式的有界性审计纳入 CI——每次新增工具或委托路径，自动检查其反馈路径是否被某道闸门覆盖。
flowchart TD
U[用户目标] --> L[Agent 主循环<br/>感知 → 推理 → 行动 → 观察]
L --> A{本轮行动}
A -->|工具调用 / 委托 / 重试| T[外部工具与环境]
T --> O[观察结果]
O --> L
L --> G1[第一道闸 · 计数器<br/>max_iter / max_turns / recursion_limit]
G1 -->|未达上限 且 无进展| F1[计数即放行<br/>烧满额度才停]
G1 -->|软封顶临近| F2[封顶即抢救<br/>LLM 编造伪完成]
G1 -->|硬上限超限| F3[硬断即崩<br/>RecursionError 丢现场]
G1 -->|未触发| L
L --> G2[第二道闸 · 语义觉醒<br/>stuck_detector]
G2 -->|连续 N 个语义相同动作对| F4[抓到死循环 · 早停]
G2 -->|动作微变 · 漂移环| F5[觉醒即漏网]
G2 -->|正常| L
L -.委托 / 重试 / 工具再入.-> B[反馈旁路<br/>绕过主循环计数]
B --> IAL[IAL 无限环<br/>成本耗尽 · 上下文膨胀 · 重复副作用]
IAL -.需有界性审计覆盖.-> G3[第三道闸 · 硬预算<br/>成本/Token 绝对熔断]
轻量任务 / Demo 级：CrewAI max_iter=25 足够，但务必开启结果校验环节，挡住"封顶即抢救"的伪完成。
长链路 / 工作流编排：LangGraph recursion_limit 必须配套 checkpoint 与降级钩子，把"硬断即崩"转成优雅退出；切勿为跑长任务而无脑调高上限——那是在放大单次烧钱额度。
对成本敏感的生产自主体：必须上 OpenHands 式语义觉醒闸 + 进度检测双保险，实现"烧满之前就停"，并叠加独立的硬预算闸作为绝对兜底。
多 Agent / 含委托的系统：优先做 IAL-Scan 式的有界性审计——重点不是设多少 max_iter，而是确认每条委托、重试、工具再入旁路都被某道闸门覆盖。闸门存在不等于闸门覆盖，这是"设闸仍空转"的根因，也是本期最该带走的一句话。
max_iter 默认 25 及"尽力给出好答案"的软封顶语义。is_stuck() API。max_turns / MaxTurnsExceeded / on_max_turns 钩子与 max_turns=None 关闭选项。——「51学通信」AI 智能体实战系列 · 站长爱卫生（微信 gprshome201101）
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。