前三天的Agent用一个while循环处理所有步骤，复杂任务容易跳步或误操作。本篇引入有限状态机，将流程拆为规划、执行、审查三个状态，每个状态有独立提示词和工具集，状态切换由代码控制。用GLM-4.7-Flash实现，核心代码约80行。

前三天写的Agent，核心都是一个while循环：接收任务→调LLM→执行工具→把结果塞回history→再来一轮。简单任务没问题，但任务一复杂就乱套了。

比如你让Agent"先查时间，再算一年有多少秒，最后写入文件"。它可能查到时间后直接给你编了个数字，也可能算完了不写文件——因为所有步骤共用一个提示词、一套工具，LLM得自己判断现在该干嘛。提示词越长，它越容易跳步。

这篇用状态机解决这个问题。

一个while循环为什么不够用

先看前三天的写法：

while not done:
    response = llm.chat_json(task + history)
    action = response["action"]
    result = execute_tool(action)
    history.append(result)

所有步骤平等对待，没有"阶段"的概念。你在system prompt里写"先调研再分析再写报告"，LLM可能调研到一半就开始写了，也可能写完了又回去搜。更麻烦的是，审核阶段你不希望它写文件，但write_file工具就摆在那里，它"顺手"就用了。

你没法靠提示词完全约束住这个。提示词是"建议"，不是"强制"。

状态机的思路

把任务拆成几个明确的状态，每个状态有自己的提示词、自己的工具集、自己的处理逻辑。状态之间的切换由代码控制，不是LLM自己说了算。

PLANNING只负责拆解任务，不碰工具。EXECUTING按计划逐步执行，可以用全部工具。REVIEWING只能读文件不能写文件——这个限制写在代码里，LLM再怎么"想写"也写不了。

核心代码

先定义状态。用枚举而不是字符串，拼错了IDE直接报错：

from enum import Enum, auto

class AgentState(Enum):
    IDLE = auto()
    PLANNING = auto()
    EXECUTING = auto()
    REVIEWING = auto()
    DONE = auto()

每个状态对应一个handler方法，主循环只做一件事：查表，调handler：

class StatefulAgent:
    def __init__(self, tools):
        self.llm = LLMClient(provider="glm")
        self.tools = {t.name: t for t in tools}
        self.state = AgentState.IDLE
        self.context = {}

    def run(self, task):
        self.state = AgentState.PLANNING
        self.context = {"task": task, "plan": [], "exec_index": 0,
                        "exec_results": [], "retry_count": 0}

        for _ in range(15):
            if self.state == AgentState.DONE:
                break
            handler = getattr(self, f"_handle_{self.state.name.lower()}", None)
            if handler:
                handler()
        return self.context.get("final_answer", "任务未完成")

PLANNING handler让LLM把任务拆成步骤列表，结果通过context传给EXECUTING：

    def _handle_planning(self):
        prompt = f"把任务拆成2-5步，每步指定工具和参数。任务：{self.context['task']}"
        resp = self.llm.chat_json(prompt, temperature=0.3)
        plan = json.loads(resp).get("steps", [])
        self.context["plan"] = plan
        self.state = AgentState.EXECUTING

EXECUTING每次执行计划中的一步，走完了就进REVIEWING。注意工具过滤——REVIEWING状态下write_file不会出现在可用工具里：

    STATE_TOOLS = {
        AgentState.PLANNING: [],
        AgentState.EXECUTING: None,       # None = 全部可用
        AgentState.REVIEWING: ["read_file"],  # 只能读
    }

    def _handle_executing(self):
        plan = self.context["plan"]
        idx = self.context["exec_index"]

        if idx >= len(plan):
            self.state = AgentState.REVIEWING
            return

        step = plan[idx]
        available = self._get_tools(AgentState.EXECUTING)
        result = self._call_llm_and_execute(step, available)
        self.context["exec_results"].append(result)
        self.context["exec_index"] = idx + 1

    def _handle_reviewing(self):
        results = self.context["exec_results"]
        prompt = f"审查结果是否完整正确：{json.dumps(results, ensure_ascii=False)}"
        resp = self.llm.chat_json(prompt, temperature=0.3)
        review = json.loads(resp)

        if review.get("verdict") == "pass":
            self.context["final_answer"] = review.get("summary", "")
            self.state = AgentState.DONE
        elif self.context["retry_count"] < 1:
            self.context["retry_count"] += 1
            self.context["exec_index"] = 0
            self.context["exec_results"] = []
            self.state = AgentState.EXECUTING  # 打回重做
        else:
            self.context["final_answer"] = review.get("summary", "审查未通过")
            self.state = AgentState.DONE

加新状态很简单：枚举加一个值，写一个_handle_xxx方法，在转移逻辑里接上就行，主循环不用动。

跑一下

tools = [
    Tool("calculate", "计算数学表达式", {"expression": "表达式"}, tool_calculate),
    Tool("get_time", "获取当前时间", {}, tool_get_time),
    Tool("write_file", "写入文件", {"filepath": "路径", "content": "内容"}, tool_write_file),
]

agent = StatefulAgent(tools)
result = agent.run("查当前时间，算365*24*60*60，结果写入seconds.txt")
print(result)

执行过程是：PLANNING拆出三步→EXECUTING依次调get_time、calculate、write_file→REVIEWING检查三步都做了、结果对不对→通过→DONE。每一步用什么提示词、能调什么工具，都是状态决定的，不是LLM自己选的。

完整代码包含四个工具（计算、时间、读文件、写文件）、详细日志输出和三个演示任务，放在CSDN下载区。

GLM-4.7-Flash永久免费，200K上下文，注册地址：https://open.bigmodel.cn/