如何利用Agent来做循环检测的工作流

“Agent 自检不是为了完美，而是为了在不完美中找到可靠性。“

核心观点 / 起源

小红书 Worker 上线第一天，验证通过率 0%。

不是 AI 不够聪明，而是它太”自由”了：我要求生成 3-5 个 emoji，它给了我 9 个；我要求恰好 3 个 hashtag，它给了我 10 个；我要求不超过 900 字，它写了 1127 字。

单纯依赖 Prompt 约束无法保证 AI 输出稳定性。即使在 Prompt 中反复强调”必须恰好 3 个 hashtag”，AI 仍然会”创造性地”生成 5-10 个。

如何让 Agent 自己检测和修正输出，而不是每次都依赖人工干预？

Agent 自检循环的核心是建立一个闭环：生成 → 验证 → 评估 → 重试/修正。

┌─────────────────────────────────────────────┐
│           Agent 循环检测工作流               │
└─────────────────────────────────────────────┘
                    │
        ┌───────────┴───────────┐
        ↓                       ↓
┌───────────────┐       ┌───────────────┐
│  生成内容      │       │  验证规则      │
│  (AI Worker)  │       │  (Validation)  │
└───────────────┘       └───────────────┘
        │                       │
        └───────────┬───────────┘
                    ↓
            ┌───────────────┐
            │  自检评估      │
            │  (Self-Check) │
            └───────────────┘
                    │
        ┌───────────┴───────────┐
        ↓                       ↓
    通过？                   不通过？
        │                       │
        ↓                       ↓
    返回结果              ┌─────────────┐
                         │  重试机制    │
                         │  (Retry)    │
                         └─────────────┘
                                │
                    ┌───────────┴───────────┐
                    ↓                       ↓
            重试次数 < 2？           重试次数 ≥ 2？
                    │                       │
                    ↓                       ↓
            继续重试              ┌─────────────────┐
                                 │  强制修正        │
                                 │  (Force Fix)    │
                                 └─────────────────┘

AI 模型的输出具有随机性，即使使用相同的 Prompt，每次生成的结果也可能不同。单次生成无法保证稳定性，循环检测通过多次尝试和修正，提高输出的可靠性。

细节展开

三层防御的设计逻辑：

• Layer 1（Prompt 约束）：预防，尽量让 AI 第一次就生成正确的内容
• Layer 2（智能重试）：检测，如果第一次失败，给 AI 第二次机会
• Layer 3（强制修正）：兜底，如果多次重试仍失败，用代码强制修正

过程 / 推演

三层防御机制的代码实现

Layer 1: Prompt 约束（预防）

在 Prompt 中强化约束，明确告诉 AI 什么是绝对不能做的。

# xiaohongshu_worker.py - Layer 1: 强化 Prompt 约束

system_prompt = f"""{sop}

【严格禁止】以下表达绝对不能出现：
绝绝子、YYDS、宝子们、家人们、狠狠地、天花板、刺客、真的会谢、建议收藏、干货满满、速速码住、不看后悔、神仙

【严格要求】
- emoji数量必须3-5个（绝对不能超过5个）
- hashtag数量必须恰好3个（不能多也不能少）
- 字数200-900字（绝对不能超过900）
- 不包含任何外链
"""

关键点：使用”绝对不能”、“必须”等强调词，让 AI 理解这是硬性要求而非建议。

Layer 2: 智能重试（检测 + 重试）

生成内容后，立即进行自检验证。如果不符合要求，重新生成，最多重试 2 次。

# xiaohongshu_worker.py - Layer 2: 智能重试机制

max_retries = 2
final_content = None

for attempt in range(max_retries + 1):
    # 生成内容
    ai_response = requests.post(
        f"{base_url}/v1/chat/completions",
        headers={"Authorization": f"Bearer {api_key}"},
        json={
            "model": model,
            "messages": [
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": user_prompt}
            ],
            "temperature": 0.3
        },
        timeout=120.0
    )
    
    generated_content = ai_response.json()["choices"][0]["message"]["content"]
    temp_content = generated_content.replace("[BLOG_URL]", "").replace(blog_url, "")
    
    # 自检：验证格式
    emoji_count = len(re.findall(r'[\U0001F300-\U0001F9FF]', temp_content))
    hashtag_count = len(re.findall(r'#\w+', temp_content))
    
    # 评估：是否符合要求
    if 3 <= emoji_count <= 5 and hashtag_count == 3:
        final_content = temp_content
        print(f"✅ 第 {attempt + 1} 次尝试成功，格式符合要求")
        break
    else:
        print(f"⚠️ 第 {attempt + 1} 次尝试失败: emoji={emoji_count}, hashtag={hashtag_count}")
    
    # 如果不是最后一次尝试，继续重试
    if attempt < max_retries:
        continue

关键点：每次生成后立即验证，符合要求就停止，不符合就继续重试。

Layer 3: 强制修正（兜底）

如果重试 2 次仍然失败，使用正则表达式强制修正 emoji 和 hashtag 数量。

# xiaohongshu_worker.py - Layer 3: 强制修正

if attempt == max_retries:
    print(f"🔧 达到最大重试次数，启动强制修正")
    
    # 修正 emoji 数量
    if emoji_count > 5:
        emojis = re.findall(r'[\U0001F300-\U0001F9FF]', temp_content)
        for emoji in emojis[5:]:
            temp_content = temp_content.replace(emoji, '', 1)
        print(f"   - Emoji 修正: {emoji_count} → 5")
    
    # 修正 hashtag 数量
    hashtags = re.findall(r'#\w+', temp_content)
    if len(hashtags) > 3:
        for tag in hashtags[3:]:
            temp_content = temp_content.replace(tag, '', 1)
        print(f"   - Hashtag 修正: {len(hashtags)} → 3")
    elif len(hashtags) < 3:
        generic_tags = ["#干货分享", "#学习笔记", "#技术分享"]
        for i in range(3 - len(hashtags)):
            temp_content += f" {generic_tags[i]}"
        print(f"   - Hashtag 补充: {len(hashtags)} → 3")
    
    final_content = temp_content
    break

关键点：强制修正是最后的兜底机制，确保无论 AI 生成什么，最终输出都符合要求。

自检循环的关键指标：

洞察：45% 的首次成功率说明 Prompt 约束有效但不完美，85% 的二次成功率说明智能重试能解决大部分问题，15% 的强制修正率说明兜底机制是必要的。

Agent 结果评估机制

除了格式验证，还需要评估生成内容的质量。使用 AI 评估 AI 的输出，形成质量反馈循环。

def evaluate_content_quality(content: str, platform: str) -> Dict[str, Any]:
    """
    使用 AI 评估生成内容的质量
    """
    evaluation_prompt = f"""
请评估以下{platform}平台内容的质量：

【评估维度】
1. 调性符合度（1-10分）：是否符合{platform}平台风格
2. 内容准确度（1-10分）：是否准确传达原文核心观点
3. 可读性（1-10分）：是否易于阅读和理解
4. 吸引力（1-10分）：是否能吸引用户点击和互动

【内容】
{content}

请以JSON格式返回评分和建议：
{{
  "tone_score": 8,
  "accuracy_score": 9,
  "readability_score": 7,
  "engagement_score": 8,
  "overall_score": 8.0,
  "suggestions": ["建议1", "建议2"]
}}
"""
    
    response = call_ai(evaluation_prompt)
    evaluation = json.loads(response)
    
    return evaluation

实际应用：17 篇博客批量处理的质量评估

洞察：X 平台表现最佳（9.2 分），Hook 设计优秀；知乎吸引力相对较低（7.8 分），需优化开头；小红书调性符合度良好（8.2 分），但仍有提升空间。

一点补充

真实报错案例 1：n8n 长文本推理超时

问题现象：Request timeout after 60000ms。n8n HTTP Request 节点固定超时 60 秒，DeepSeek 处理 5000+ 字文章需要 80-120 秒，无法调整超时参数。影响范围：长文章处理失败率 100%，影响 17 篇中的 12 篇（70.6%）。

排查步骤：检查 n8n 日志发现超时错误 → 测试 API 响应时间发现实际需要 87 秒 → 尝试调整 n8n 配置发现不支持自定义超时。

重构方案对比：增加 n8n 超时（n8n 不支持）、分段处理文章（破坏内容完整性）、迁移到 Windmill（完全解决）。最终采用迁移到 Windmill，支持自定义超时 120 秒。

重构效果：

真实报错案例 2：小红书验证规则过严导致 0% 通过率

问题现象：emoji=9/5, hashtag=10/3, 验证失败。根本原因：AI 模型输出不稳定，验证规则过严（Emoji 必须 3-5 个，实际生成 6-12 个；Hashtag 必须恰好 3 个，实际生成 5-10 个），缺少后处理修正机制。影响范围：小红书验证通过率 0%（0/17）。

排查步骤：分析批量结果发现平均 emoji 8.2 个、hashtag 7.5 个 → 统计超标分布 → 分析 AI 生成模式发现 AI 倾向于”宁多勿少”。

重构方案：三层防御机制（Prompt 约束 + 智能重试 + 强制修正）。

重构效果：

结语 / 反思

建立 Agent 自检循环的过程，让我对 AI 工程有了新的认识：Agent 自检不是为了完美，而是为了在不完美中找到可靠性。

三层防御机制让 Agent 具备自检和自我修正能力：Prompt 约束预防问题，智能重试检测问题，强制修正兜底问题。从 0% 到 90%+ 的通过率提升，证明了这套机制的有效性。

真实报错案例展示了从问题发现到重构的完整过程：分析根本原因、对比重构方案、验证重构效果。这不仅是技术问题，更是工程思维的体现。

关键是理解 AI 的不确定性，设计合理的评估标准和重试策略，让 Agent 在循环中不断接近目标。