上一篇我們第一次讓 LLM 呼叫 MCP Tool，不過當時的程式還有一個限制：一次只能處理一輪 Tool Call，像是昨天的程式碼如果輸入，幫我計算 10+20，然後把結果乘以 5

Gemini 第一次可能會先呼叫 Calculator 算出 30，拿到結果之後，它其實還可以繼續要求下一個 Tool Call，把 30 × 5 算出來，但之前的程式沒有辦法繼續處理第二次 Tool Call，所以最後就會出現問題，像下面這樣

所以今天要加入 Agent Loop，讓 Agent 不只是「呼叫一次 Tool 就結束」，而是可以根據前一次的結果，繼續決定下一步要做什麼。

什麼是 Agent Loop？

簡單來說，就是讓 Agent 不斷重複這個過程：

詢問 LLM
   ↓
需要 Tool？
   ↓
  是
   ↓
呼叫 MCP Tool
   ↓
把結果交回 LLM
   ↓
再判斷下一步

直到 LLM 判斷：

「這次不用再呼叫 Tool 了。」

這時才結束。

因此 Agent Loop 的核心其實就是：

while True:

讓 Agent 可以持續執行，而不是只處理一次。

這次跟上一篇有什麼不同？

這次不需要重新建立 MCP Server，直接修改上一篇的 agent.py 就可以，最大的差異有幾個。

1. 把 Gemini 呼叫放進 Loop

上一篇只有執行一次：

response = client.models.generate_content(...)

現在改成：

while True:

    response = client.models.generate_content(
        model="gemini-2.5-flash",
        contents=contents,
        config=types.GenerateContentConfig(
            tools=[gemini_tool]
        )
    )

這樣 Gemini 如果又要求呼叫 Tool，就可以再次進入下一輪。

2. 保存這一次任務的 Context

這次我們也加入：

contents = [
    types.Content(
        role="user",
        parts=[
            types.Part(
                text=user_input
            )
        ]
    )
]

contents 可以理解成：

記錄這一次任務目前發生過什麼。

每次 Gemini 回應後，我們都把它加入：

contents.append(
    response.candidates[0].content
)

Tool 執行完之後，也把結果加入：

contents.append(
    types.Content(
        role="user",
        parts=[
            types.Part(
                function_response=types.FunctionResponse(
                    name=function_call.name,
                    response={
                        "result": str(
                            tool_result.content
                        )
                    }
                )
            )
        ]
    )
)

因此下一輪 Gemini 就能看到前面的內容。

這裡要特別注意，這比較像是保存目前任務的 Context，而不是完整的 Agent Memory，今天是為了讓 Agent Loop 能夠繼續執行。

3. 判斷要不要繼續

Tool 執行完之後，程式會再次回到 Gemini，如果 Gemini 還需要 Tool：

if response.function_calls:

就繼續執行。

如果 Gemini 已經可以直接回答：

if not response.function_calls:

    print("\nGemini 最後回答：")
    print(response.text)

    break

就離開 while True。

所以整個流程就變成：

Gemini
 ↓
需要 Tool？
 ├─ 否 → 最後回答 → 結束
 │
 └─ 是
      ↓
   MCP Tool
      ↓
   Tool 結果
      ↓
   回到 Gemini
      ↓
   再判斷一次

測試

打開終端機輸入python agent.py，接著打上問題，我的問題是幫我計算 10+20，然後把結果乘以 5

可以看到這次 Agent 就可以先取得 10+20 的結果，再根據這個結果繼續進行下一次 Tool Call 得出答案為150，之後我測試了連續三個運算，結果如下圖

可以看到還是有跑出正確的結果，代表這次的實作有成功

總結

今天主要是在上一篇的基礎上，讓 Agent 開始具備「自己繼續做下一步」的能力，透過 while True，Agent 不再只能處理一次 Tool Call，而是可以根據 Tool 回傳的結果繼續詢問 LLM。

另外，我們也開始保存目前任務的 contents，讓每一輪都能知道前面發生過什麼，不過這裡的 Context 主要是為了支援這次任務的 Agent Loop，還不是完整的長期 Memory。後面如果要讓 Agent 記住不同對話或之前發生過的事情，還需要另外處理。