BabyAGI 與 AutoGPT：奠定現代 AI Agent 的基礎迴圈
探討 2023 年誕生的開源專案 AutoGPT 與 BabyAGI，認識它們如何透過「任務隊列」與「自主迴圈」機制，定義了現代 AI Agent 能夠拆解目標並持續執行的底層邏輯。
WRITTEN BY
- Name
- Harry Chang
當我們現在理所當然地使用各式各樣的 Agent 框架（如 LangChain 或 Pydantic AI）來開發應用時，如果把時間倒轉回 2023 年初，當時的業界對 LLM 的認知大多還停留在「一問一答的聊天機器人」。
直到兩個極具實驗性質的開源專案誕生：AutoGPT 與 BabyAGI。
它們提出了一個改變遊戲規則的問題：「如果我們不自己下指令，而是給 AI 一個最終目標，讓它自己寫計畫、自己執行、自己檢驗結果，然後在一個迴圈裡一直跑下去呢？」
這兩套專案雖然在現今看來屬於早期的實驗作品，但它們奠定了現代所有自主智能體（Autonomous Agents）運作的基礎邏輯。
什麼是 BabyAGI 與 AutoGPT ？
雖然它們經常被放在一起討論，但在設計哲學上略有不同：
- BabyAGI：由開發者 Yohei Nakajima 撰寫，最初只有約 140 行 Python 程式碼。它不強調複雜的工具，而是專注於「任務管理機制」。它示範了如何利用三個不同的 AI 代理（負責執行、負責創建新任務、負責排序）來推進一個專案。
- AutoGPT：它像是一個什麼都想自己來的全能助手。你給它一個大目標（例如：幫我研究市場上最好的筆電並寫一份報告），它會自己在背景連上網際網路、搜尋資料、讀取網頁、然後把結果寫進本地檔案裡。它的重點在於「工具的整合與無限制的探索」。
BabyAGI 的核心機制：任務隊列與執行迴圈
要理解現代 Agent 的專案管理邏輯，就必須理解 BabyAGI 提出的經典迴圈。我們可以用以下的流程圖來拆解它的運作原理：
在這個架構中，系統不再是一個單一的對話框，而是一個由三個步驟組成的無限迴圈（While Loop）：
- 執行 (Execute)：拿清單上的第一件事情去做，並將結果存入記憶庫。
- 創建 (Create)：看著剛剛做完的結果，思考「為了達成最終目標，我還缺什麼？」，並產生新的待辦事項。
- 排序 (Prioritize)：把新產生的待辦事項與舊的清單合併，重新評估哪件事情最重要，排在第一順位。
程式碼概念解析
如果把這個概念簡化成 Python 虛擬碼，它其實就是一個不斷呼叫 LLM 的迴圈：
task_list = ["定義目標：寫一篇關於 AI 的文章"]
while task_list:
# 1. 拿出第一個任務
current_task = task_list.pop(0)
# 2. 執行代理 (呼叫 LLM)
result = llm.execute(current_task)
# 3. 創建代理 (呼叫 LLM 產生新任務)
new_tasks = llm.create_new_tasks(result, current_task)
# 4. 排序代理 (呼叫 LLM 重新整理清單)
task_list = llm.prioritize(task_list + new_tasks)
AutoGPT 的核心機制：全能決策迴圈
與 BabyAGI 專注於任務拆解不同，AutoGPT 把重點放在「單一大腦的全能決策」與「廣泛的工具整合」。
AutoGPT 最大的創舉在於它的 System Prompt 設計。它強迫 LLM 在每次行動前，必須產出包含 `Thoughts`（思考）、`Reasoning`（推論）、`Plan`（計畫）與 `Criticism`（批判）的 JSON 格式。這套自我反思的邏輯，直接啟發了後來無數框架（包含 LangChain 與 Semantic Kernel）對於 Agent 提示詞的設計標準。
程式碼概念解析
如果把 AutoGPT 的運作邏輯簡化，它其實就是一個不斷解析 JSON 並執行對應工具的迴圈：
memory = []
goal = "寫一份關於 AI 趨勢的分析報告"
while True:
# 1. 結合目標與歷史記憶，向 LLM 索取下一步動作
prompt = build_prompt(goal, memory)
response_json = llm.execute(prompt)
# 2. 從 JSON 中解析出思考過程與要執行的指令
thought = response_json["thoughts"]["text"]
command_name = response_json["command"]["name"] # 例如: "google_search"
command_args = response_json["command"]["args"]
# 3. 執行實體工具，並取得結果
result = execute_tool(command_name, command_args)
# 4. 將執行結果寫入記憶中，提供給下一輪迴圈參考
memory.append({"command": command_name, "result": result})
# 若 LLM 判定目標達成，會回傳特定指令來終止程式
if command_name == "task_complete":
break
實務場景：為什麼現在少用於生產環境？
儘管 AutoGPT 與 BabyAGI 的概念非常有啟發性，但在目前的企業實務中，我們很少直接將這兩套原始框架部署到正式環境，原因在於：
- 無限迴圈陷阱：由於目標太過發散，AI 很容易陷入「一直在規劃新任務，卻沒有實際產出」的迴圈，導致 API 費用暴增。
- 錯誤累積：一旦在「執行代理」階段產生了幻覺（Hallucination），後續的「創建代理」就會根據錯誤的資訊不斷衍生出無意義的任務。
這也是為什麼後來的發展（如 LangGraph 或前一篇介紹的 Pydantic AI）開始轉向：用固定流程（Graph）來限制 AI 的發散範圍，並用強型別（Type-Safe）來確保輸出的穩定性。
實用建議：三個起步行動
如果你想深入理解 Agent 的底層邏輯，非常推薦從這兩個專案著手學習：
步驟 1：閱讀 BabyAGI 的原始碼
去 GitHub 搜尋 babyagi，找到最初版本的 babyagi.py。它沒有使用任何複雜的框架，完全是用標準的 Python 呼叫 OpenAI API。閱讀這 140 行程式碼，是理解 AI Agent 運作原理最好的捷徑。
步驟 2：觀察 AutoGPT 的 System Prompt
AutoGPT 之所以能思考，是因為它有一份非常龐大且嚴謹的 System Prompt，要求模型必須以 Thought (思考)、Reasoning (推論)、Plan (計畫)、Criticism (反思) 的結構來輸出 JSON。這個結構直接影響了後續所有 Agent 的設計標準。
步驟 3：動手寫一個屬於你的微型迴圈
試著不依賴套件，自己寫一個具有簡單 While 迴圈的 Python 腳本。給它一個簡單的陣列當作任務隊列，並練習處理任務成功與失敗的流程。這會大幅提升你未來除錯大型 Agent 框架的能力。
我的反思
如果要研究最簡單的代理人（Agent）架構，或許可以從 BabyAGI 與 AutoGPT 開始解析。
現在的主流框架（如 LangChain 或 LlamaIndex）雖然功能強大，但底層往往包裝了厚厚的抽象層次，對於初學者來說，很容易迷失在龐大的 API 文件中，反而看不清 Agent 運作的本質。
相反地，BabyAGI 和 AutoGPT 最初的版本沒有華麗的包裝，只有最純粹的 Python while 迴圈、API 呼叫與簡單的資料結構。它們用最原始的程式碼向我們證明了：只要有明確的迴圈控制，加上良好的 Prompt 設計，語言模型就能展現出驚人的自主性。 撥開現代框架複雜的迷霧，這兩個專案絕對是每一位想深入理解 Agent 底層邏輯的開發者，最值得拆解的起點。