CrewAI 调研 Agent 死循环：用 max_iter 与 Manager LLM 把 Token 从黑洞里拽出来

CrewAI 的 Agent 容易在“任务执行 → 结果不满意 → 重试 → 依然不满意”的闭环里空转，尤其做市场调研这种重度外部检索的活儿，搜索词一偏，Agent 就陷入自我怀疑的循环，直到 Token 被吃干净。

拿 GPT-4o 和 Claude 3.5 Sonnet 实测驱动 CrewAI，两者对死循环的应对逻辑完全是两个路子。GPT-4o 倾向在同一坑里换着花样措辞，同一个错误能重复五次；Claude 3.5 Sonnet 对“任务失败”更敏感，能更快识别工具拿不到信息，进而跳出原有逻辑。

解决死循环的关键不在提示词微调，而在 max_iter 的硬限制和 manager_llm 的引入。

能落地的优化方案：

1. 给每个 Task 写死 max_iter
默认配置别指望，调研任务 3 次迭代没结果，多半是搜索关键词不对，强制中断比死磕高效得多。

如何通过 max_iter 硬限制避免调研任务的死循环

research_task = Task(
    description='分析 2024 年 AI 硬件趋势',
    agent=research_agent,
    max_iter=3 # 强制限制，防止死循环
)

2. 用 Manager LLM 做顶层调度
单 Agent 容易钻牛角尖，开启 process=Process.hierarchical 并指定强模型（推荐 GPT-4o）当 Manager，一旦 Agent 在重复逻辑里打转，Manager 直接介入，逼它换方向或收尾。

3. 优化 Tool 的反馈话术
死循环的根源是工具返回空结果，但 Agent 坚信“换个词就能搜到”。自定义 Tool 时，把 return "No results found" 改成带指引的提示：

自定义 Tool 反馈话术的优化方法

return "No results found for this query. Please try a broader keyword or move to the next source."

模型能力对比实测：

Claude 3.5 Sonnet：复杂工作流下逻辑清晰，极少低级死循环，但偶尔过度谨慎，提前终止任务。

GPT-4o：执行力强，但路径依赖重，认定一个搜索方向后，没结果也会在细枝末节上打转。

不同模型在复杂工作流下的执行风格对比

DeepSeek-V2：性价比高，但多 Agent 协作时指令遵循度偶发掉链子，任务交接可能逻辑断层，造成 Agent A 等 B、B 等 A 的僵局。

市场调研场景下，建议 Claude 3.5 (Worker) + GPT-4o (Manager) 组合，Worker 专注检索效率，Manager 盯死循环并拍板结论。