Show HN: LoopGain – 用控制理论停止智能体循环，而非最大迭代次数
LoopGain 是一个开源库，利用控制理论智能地停止AI智能体循环当它们收敛时，取代浪费的 max_iterations 方法。它实时测量循环增益，在基准测试中实现了 92.8% 的API开销节省和 15 倍加速，同时保持输出质量。
在人工智能智能体（AI agent）应用中，循环迭代（agent loops）往往是资源消耗的大户。传统的做法是设置一个固定的最大迭代次数（max_iterations），但这会导致两难：如果迭代次数设得太少，输出质量无法保证；设得太多，又会浪费大量的计算资源和API调用费用。LoopGain 正是为解决这一痛点而诞生的开源库，它借助控制理论来智能地决定何时停止循环，从而大幅降低成本并提升效率。
LoopGain 的工作原理基于 Barkhausen 准则（一个源自1921年电气工程反馈振荡器分析的基础成果），通过实时测量循环增益（loop gain）来判断系统是否已经收敛。具体来说，用户只需提供一个可测量的误差信号（例如测试失败次数、模式违反次数、缺失事实数量等），LoopGain 就会跟踪这个信号的轨迹，并利用四个特征（累积减少比、对数斜率、斜率的统计显著性、去趋势后的波动标准差）将状态分类为快速收敛、收敛中、停滞、振荡或发散五种之一，并据此决定继续迭代、立即停止或回滚到最佳输出。
在包含 2000 次配对试验的基准测试中，LoopGain 相比固定最大迭代次数（max_iter=20）展现了惊人的效果：总API花费从 27.05 美元降至 1.94 美元，节省了 92.8%；执行时间中位数从 30.9 秒缩短到 2.1 秒，提速约 15 倍。更重要的是，输出质量并未因此妥协——在法官对比评估中，LoopGain 的胜率在自然分布工作负载下为 0.50–0.63，在工程故障工作负载下高达 0.92–0.95，加权偏好达到 0.678。
LoopGain 的设计非常注重易用性。开发者只需三行代码即可将其集成到任何迭代式AI工作流中：导入库、创建实例、在循环中调用 observe() 和 should_continue()。它还提供了针对 LangGraph、CrewAI、AutoGen、LangChain、OpenAI Agents SDK 和 Claude Agent SDK 等流行框架的预制适配器，同时也支持通过原始API集成到自定义堆栈。LoopGain 是纯 Python 实现，无运行时依赖，仅需 pip install loopgain 即可安装。
LoopGain 也如实指出了自身的局限性：它检测的是收敛性而非正确性，也就是说，它知道何时继续迭代不再有益，但无法判断答案本身是否正确。它的效果完全取决于用户提供的误差信号的质量。此外，LoopGain 还提供了可选的遥测功能，允许用户匿名发送使用数据（默认关闭），以帮助维护者了解库的使用情况。遥测数据仅包含状态转换、误差幅度等聚合信息，绝不会发送提示词、输出内容或用户身份信息。
总的来说，LoopGain 为AI开发者提供了一种更智能、更经济的循环终止策略，有望成为智能体应用中的标准组件。