循环语言模型在工具调用中究竟起到了什么作用？
循环语言模型是一种设计，其中模型自身的输出会被反馈作为输入，以进行额外的推理步骤，这实际上给了它在行动前更多思考的机会。在一项2026年的研究中，研究人员在三个工具调用基准测试（API-Bank、BFCL、NESTful）上比较了循环模型和非循环模型，发现循环计算通常能改善组合性和依赖感知的工具使用——这类任务需要协调多个API调用并在交互之间保持状态[5]。多步骤工具使用的准确率随循环深度增加而提升，这意味着更多循环有助于提高性能，但对于简单的单次API调用，收益较小且波动更大[5]。
同一项研究发现，自适应推理——即仅在需要时才增加循环——在计算性能权衡上优于始终使用固定循环次数的方法[5]。因此，收益不仅在于循环更多，更在于循环更智能，这对任何构建实际系统的人来说都是一个关键细节。
为什么即使有循环机制，错误仍然会发生？
即使采用循环机制，失败依然存在，原因是一种被称为“规范路径偏离”的现象——模型会偏离正确的工具调用序列，而每走错一步，下一步出错的可能性就更大。一项针对22个前沿模型在108项真实工具使用任务上的2026年研究发现，每次非规范工具调用会使下一次调用偏离规范的概率提高22.7个百分点，使基线错误率翻倍以上[1]。这种自我强化的偏离解释了为什么模型即使具备解决任务的能力，也可能仅因随机采样而在一次运行中成功、另一次运行中失败[1]。
研究还发现，这种漂移是渐进的——在轨迹的前半段，成功与失败运行之间的依从性差距在统计上为零，之后才逐渐扩大[1]。这意味着早期检测很困难，但任务中期的监控可以有所帮助：基于轨迹中段的依从性重启表现最差的运行，使受干预运行的成功率提升了8.8个百分点[1]。因此，仅靠循环本身无法纠正漂移，你需要一个外部监控器来捕捉它。
循环能否消除重复错误，还是只能减少它们？
循环能减少重复错误，但无法彻底消除。循环模型的研究[5]显示准确率有所提升，但同一篇论文也指出，这种提升依赖于模型本身，且对孤立调用而言效果较小。与此同时，2026年一项针对购物代理的基准测试发现，即使是最强的模型，在长时程任务上的整体准确率也仅为57.1%，且随着需求变得更加隐蔽，性能还会进一步下降[4]。这表明循环确实有帮助，但在复杂、长期任务上，其上限仍然较低。
其他方法，如带有自我反思的多步迭代框架，表明加入反馈循环可以提高准确性——例如，2024年的一项研究在识别关系方面，将F1分数比单步基线提升了75.18%[2]。但这些与循环架构并不相同；它们依赖于明确的反思和人类知识。要点在于：循环是一个有用的工具，但并非万能灵药。你仍需精心设计、持续监控，并可能进行校准，以避免重复犯错。
关于这些来源
本回答基于5项研究（2项经同行评审，3项为预印本），发表于2024年至2026年间，其中5项为2024年或之后发表。这些研究是从7项通过质量筛选的研究中选出的最相关成果，而这7项研究又源自从超过5亿篇论文的数据库中检索到的44篇文献。
本文引用的文献
有能力但不可靠：规范路径偏离作为长时程任务中智能体失败的因果机制
在一项针对22个前沿模型、涵盖108项工具使用任务的研究中，每次非规范工具调用都会使下一次非规范调用的概率增加22.7个百分点，而一个在轨迹中途重启表现最差三分之一运行序列的监控器，将成功率提升了8.8个百分点。
基于大语言模型的多步迭代式自动化领域建模
一种多步骤迭代式领域建模方法，通过自我反思，在单步骤基线的基础上，将类别的F1分数提升了22.71%，关系类的F1分数提升了75.18%。
资源受限交互任务中智能体语言模型的校准式“行动–询问–弃权”门控机制
校准后的“行动-询问-弃权”门控策略在七个基准测试中将工具调用开销降低了20-35%，并将错误行动率降低了15-30%，同时保持了任务成功率不变。
EComAgentBench：在具有分布式隐藏意图的长时程任务上对购物智能体进行基准测试
在662项购物任务的基准测试中，最强模型仅达到57.1%的整体准确率，且性能从显性需求到隐性需求逐步下降。
循环语言模型提升组合式工具调用能力
在受控实验中，循环语言模型提升了组合式工具调用的能力，其准确率随循环深度的增加而提高，但自适应推理在计算性能权衡上表现更优。