前面幾天我們一直在讓 Agent 變得更完整，從 Tool Selection、Memory、RAG，到最近的多步驟任務，Agent 已經可以自己決定要使用哪些 Tool，甚至連續執行多個步驟。

不過 Agent 並不是可以無限執行的，當 Agent 執行的步驟越來越多，就會開始遇到一些實際上的限制，像是 Token、Context，以及執行次數。

所以今天就來看看這些限制，並在目前的 Agent Loop 中加入一個簡單的執行次數上限。

Token 是什麼？

在使用 LLM 時，文字並不是直接以「一句話」的方式計算，而是會被拆成許多 Token。

例如我們輸入請幫我計算 10 + 20 模型在處理這段文字時，就會消耗一定數量的 Token，而 Agent 的情況又更複雜，因為除了使用者輸入之外，還可能包含：

• System Prompt
• 對話內容
• Tool Call
• Tool 回傳結果
• Agent 前面執行過的內容

因此，當 Agent 執行的步驟越多，通常也代表需要處理更多 Token，Token 越多，不只可能增加成本，也可能受到模型本身的使用限制。

Context 又是什麼？

如果把 Token 想成「文字的單位」，那 Context 就可以理解成模型這一次能夠看到的上下文，例如我們前面的 Agent Memory，就是把之前的對話內容加入 Context，讓模型可以知道前面發生過什麼。

但是 Context 並不是無限的，假設 Agent 執行了一個很複雜的任務：

使用者
 ↓
Agent
 ↓
Tool 1
 ↓
Tool 2
 ↓
Tool 3
 ↓
Tool 4
 ↓
Tool 5

每一次 Tool 執行，都可能產生新的結果，如果這些結果全部保留下來，Context 就會越來越大，所以實際設計 Agent 時，通常需要考慮：

哪些資訊真的需要保留？

而不是把所有執行過的內容全部塞回模型。

Agent 還有一個問題：可能一直執行

除了 Token 和 Context 之外，前面做 Agent Loop 時其實還有另一個問題，我們之前的 Agent Loop 大概是：

LLM
 ↓
需要 Tool？
 ↓
呼叫 Tool
 ↓
取得結果
 ↓
再交給 LLM
 ↓
需要 Tool？
 ↓
繼續執行

如果 Agent 一直認為「還需要下一個 Tool」，就可能不斷執行下去，這不只會浪費 Token，也可能讓 API 被大量呼叫，因此實際上的 Agent 通常會設定一個最大執行次數。

加入執行次數上限

這次不需要新增 MCP Server，我們直接修改前面做過的 Agent Loop，先設定一個最大執行次數：

MAX_STEPS = 5

接著在 Agent Loop 中限制最多只能執行 5 次：

MAX_STEPS = 5

for step in range(MAX_STEPS):
    # Agent 執行
    ...

如果 Agent 在 5 次內完成任務，就可以正常結束；如果還沒完成，就會在達到上限後停止，也可以在迴圈結束後加入提示：

print("已達到最大執行次數，停止 Agent。")

這樣就算 Agent 判斷錯誤，一直想繼續呼叫 Tool，也不會讓它無限制執行。

實際測試

我們可以使用前面做過的多步驟任務來測試，為了方便測試我們把 MAX_STEPS 設得很小，這裡我先把 MAX_STEPS 設成 1 和 4 來測試。

可以看到這裡 Agent 就只能執行一次，接著我們換成測試四的情況

可以看出這裡它用到write_file之後就被迫暫停了，所以這時候如果任務需要多個步驟，就可能在完成之前被迫停止。

這也可以看出執行次數限制的作用：

不是讓 Agent 做得越少越好，而是避免 Agent 在出錯或陷入循環時無限制執行。

總結

今天沒有再增加新的 MCP Tool，而是回頭看看 Agent 在實際使用時會遇到的限制，我們簡單認識了三個常見問題：

• Token：Agent 執行越多，通常需要處理越多 Token。
• Context：模型能處理的上下文有限，不能無限制保留所有資訊。
• 執行次數：Agent Loop 不能毫無限制地一直執行。

最後我們在 Agent Loop 中加入 MAX_STEPS，讓 Agent 有一個最大的執行次數，這看起來只是很簡單的限制，但對實際的 Agent 來說，這類控制其實很重要。