Show HN: LoopGain – 用控制理論停止智能體循環，而非最大迭代次數
LoopGain 是一個開源庫，利用控制理論智能地停止AI智能體循環當它們收斂時，取代浪費的 max_iterations 方法。它實時測量循環增益，在基準測試中實現了 92.8% 的API開銷節省和 15 倍加速，同時保持輸出質量。
在人工智能智能體（AI agent）應用中，循環迭代（agent loops）往往是資源消耗的大户。傳統的做法是設置一個固定的最大迭代次數（max_iterations），但這會導致兩難：如果迭代次數設得太少，輸出質量無法保證；設得太多，又會浪費大量的計算資源和API調用費用。LoopGain 正是為解決這一痛點而誕生的開源庫，它藉助控制理論來智能地決定何時停止循環，從而大幅降低成本並提升效率。
LoopGain 的工作原理基於 Barkhausen 準則（一個源自1921年電氣工程反饋振盪器分析的基礎成果），通過實時測量循環增益（loop gain）來判斷系統是否已經收斂。具體來説，用户只需提供一個可測量的誤差信號（例如測試失敗次數、模式違反次數、缺失事實數量等），LoopGain 就會跟蹤這個信號的軌跡，並利用四個特徵（累積減少比、對數斜率、斜率的統計顯著性、去趨勢後的波動標準差）將狀態分類為快速收斂、收斂中、停滯、振盪或發散五種之一，並據此決定繼續迭代、立即停止或回滾到最佳輸出。
在包含 2000 次配對試驗的基準測試中，LoopGain 相比固定最大迭代次數（max_iter=20）展現了驚人的效果：總API花費從 27.05 美元降至 1.94 美元，節省了 92.8%；執行時間中位數從 30.9 秒縮短到 2.1 秒，提速約 15 倍。更重要的是，輸出質量並未因此妥協——在法官對比評估中，LoopGain 的勝率在自然分佈工作負載下為 0.50–0.63，在工程故障工作負載下高達 0.92–0.95，加權偏好達到 0.678。
LoopGain 的設計非常注重易用性。開發者只需三行代碼即可將其集成到任何迭代式AI工作流中：導入庫、創建實例、在循環中調用 observe() 和 should_continue()。它還提供了針對 LangGraph、CrewAI、AutoGen、LangChain、OpenAI Agents SDK 和 Claude Agent SDK 等流行框架的預製適配器，同時也支持通過原始API集成到自定義堆棧。LoopGain 是純 Python 實現，無運行時依賴，僅需 pip install loopgain 即可安裝。
LoopGain 也如實指出了自身的侷限性：它檢測的是收斂性而非正確性，也就是説，它知道何時繼續迭代不再有益，但無法判斷答案本身是否正確。它的效果完全取決於用户提供的誤差信號的質量。此外，LoopGain 還提供了可選的遙測功能，允許用户匿名發送使用數據（默認關閉），以幫助維護者瞭解庫的使用情況。遙測數據僅包含狀態轉換、誤差幅度等聚合信息，絕不會發送提示詞、輸出內容或用户身份信息。
總的來説，LoopGain 為AI開發者提供了一種更智能、更經濟的循環終止策略，有望成為智能體應用中的標準組件。