代理循環解析
您已經呼叫過 API，但單一次呼叫只會回傳一個回應。如果您想要自動化一個工作流程，Claude 需要執行動作、查看結果、決定下一步，然後繼續進行。這個模式就是大家所說的代理工作流程（agentic workflows）。
代理究竟是什麼
代理（agent） 是 Claude 的自主版本，會在沒有人類介入的情況下，自行運作訊息循環的兩端。代理接收一項任務、選擇一個工具，並在迴圈中執行程式碼，直到 Claude 判定任務已完成為止。
實作代理循環最簡單的方式如下：
- 將包含可用工具的訊息傳送給 Claude。
- Claude 會回應最終答案，或是要求使用您所定義的工具。
- 您的程式碼執行該工具。
- 您將結果傳回給 Claude。
- 只要停止原因（stop reason）是
tool_use，就重複上述步驟。end_turn代表 Claude 已完成，而任何其他停止原因也會結束這個循環。
可以把它想像成一場輪流對話：使用者開啟話題，代理呼叫工具，工具回傳結果，代理持續進行，直到得出答案為止。
一個最簡單的實作範例
為了讓您看到這個循環從頭到尾完整運作，而不需要牽涉資料庫或使用者介面，我們會串接一個名為 get_weather 的假工具，並詢問 Claude 今天在奧斯汀（Austin）該穿什麼。Claude 本身無法得知天氣狀況，因此它必須呼叫該工具、讀取結果，然後才能給您答案。
以下是完整的程式碼：
import anthropic
client = anthropic.Anthropic()
# tools 陣列告訴 Claude 有哪些可用的工具：
# 一個名稱、一段描述，以及輸入的 JSON schema。
tools = [
{
"name": "get_weather",
"description": "Get the current weather for a city.",
"input_schema": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "The city to get weather for",
}
},
"required": ["city"],
},
}
]
# run_tool 只是一個寫死的查找表。
# 在真實的應用程式中，這裡會存取您的資料庫、某個 API，或其他任何東西。
def run_tool(name, tool_input):
if name == "get_weather":
return f"Weather in {tool_input['city']}: 95F, sunny"
raise ValueError(f"Unknown tool: {name}")
messages = [
{"role": "user", "content": "What should I wear in Austin today?"}
]
# 代理迴圈。每次迭代都會將訊息傳送給 Claude，
# 並依據回應的 stop reason 進行切換處理。
while True:
response = client.messages.create(
model="claude-sonnet-5",
max_tokens=1024,
tools=tools,
messages=messages,
)
if response.stop_reason == "end_turn":
# Claude 已完成。印出最終文字並跳出迴圈。
for block in response.content:
if block.type == "text":
print(block.text)
break
elif response.stop_reason == "tool_use":
# 在回應中找出工具使用區塊，並逐一執行。
tool_results = []
for block in response.content:
if block.type == "tool_use":
result = run_tool(block.name, block.input)
tool_results.append(
{
"type": "tool_result",
"tool_use_id": block.id,
"content": result,
}
)
# 將助理的回應與我們的工具結果
# 推回 messages 中，然後再次迴圈，讓 Claude 能夠回答。
messages.append({"role": "assistant", "content": response.content})
messages.append({"role": "user", "content": tool_results})
else:
# 任何其他的 stop reason，例如 max_tokens 或拒絕回答。
# messages 中沒有任何變化，因此在此停止。再次迴圈
# 只會一再為相同的請求重複付費。
print(f"Stopped early: {response.stop_reason}")
break請注意以下三個部分：
- 工具陣列（tools array）會告訴 Claude 有哪些可用項目：名稱、描述，以及輸入值的 JSON schema。
run_tool只是一個寫死的查詢表。在真實應用程式中，這裡會連接您的資料庫、某個 API，或任何其他資源。- 迴圈（loop）就是代理循環。每一次迭代都會將訊息傳送給 Claude，並根據回應的停止原因做出對應處理。遇到
end_turn時，代表 Claude 已完成，因此印出最終文字並結束迴圈。遇到tool_use時，找出工具使用區塊，逐一執行，再將助理的回應與您的工具結果推回messages，然後再次進行迴圈，讓 Claude 能夠回覆。遇到其他任何情況，則印出停止原因並結束迴圈。
請不要省略最後這個分支。如果少了它，一個因為 max_tokens 被截斷的回覆將不會被加入 messages 中，於是迴圈會再次送出相同的請求，導致您每次都得為此付費。文件中列出了每一種停止原因以及對應的處理方式（在新分頁中開啟）。
執行它
當您執行這個程式碼時，您會看到兩個回合：
- 第一回合：停止原因是
tool_use。Claude 要求針對奧斯汀呼叫get_weather，而您的程式碼則回傳溫度與天氣狀況。 - 第二回合：停止原因是
end_turn，Claude 會告訴您穿著輕便透氣的衣物。
兩次 API 呼叫、一次工具執行、一個最終答案。這就是整個循環。您使用 Claude API 打造的一切，基本上都會與此類似。
正式環境中的相同循環
在真實環境中，這個相同的循環會驅動類似自動審查端點（auto-review endpoint）的功能：一個合規代理會讀取結構報告、透過工具查詢相關的建築法規，並逐一將風險發現結果寫回資料庫。
這個循環的架構與您剛才執行的完全相同，差異在於：
- 使用真實的工具，而不是模擬的天氣查詢。
- 結果會以伺服器發送事件（server-sent events）的方式串流回使用者介面。
- 發現結果會持久化儲存到風險發現資料表中。
重點回顧
- 代理就是處於循環中的 Claude：觀察、決策、行動、重複。
- 這個循環很單純：傳送帶有工具的訊息、執行 Claude 請求的任何工具、將結果回饋回去，並在停止原因不是
tool_use時停止。 - 迴圈與工具由您掌控，推理則由 Claude 負責。
- 同樣的循環架構，從模擬天氣示範到正式環境的合規代理，都能延伸適用——只有工具與底層串接會隨之改變。
- 當您不想自行管理這個循環時，受管代理（managed agents）會在 Anthropic 的基礎設施上，為您執行完全相同的這個循環。