本番エージェントが深夜に暴走し、気づいたら数百ドルのAPI課金が積み上がっていた——こうした事故は珍しくない。原因のほとんどは「最大反復数を設定していない」「タイムアウトがない」「終了条件をモデルに委ねきっている」の3つに集約される。

AIエージェントはなぜループし続けるのか

AIエージェントの無限ループは「反復上限なし・タイムアウトなし・終了条件なし」の3つの欠如から生まれます。arXiv 2607.01641は本番68件の障害事例を記録しています。

エージェントハーネスアーキテクチャでは、エージェントは「LLM呼び出し→ツール実行→結果を受け取って再度LLM呼び出し」を繰り返すフィードバックループで動く。このループが意図せず終了しないとき、「無限エージェントループ（Infinite Agentic Loop: IAL）」が発生する。

arXivの研究（2607.01641）が実際のオープンソースプロジェクトとSNS事例から収集した68件の障害事例を分析したところ、IALの発生パターンは6種類に集約された。

重要な知見は「フレームワークが終了機構を提供していても、設定を省略・誤配置すると無効化される」という点だ。68件のうち多くは LangChain・LangGraph・AutoGen 等が max_iterations や max_turns を提供しているにもかかわらず、開発者がフィードバックパス外に設定していたために機能しなかった事例だった。

ループ制御の4層構造はどう設計するか

効果的なループ制御は最大反復数・トークン予算・タイムアウト・進捗検知の4層を組み合わせる設計が標準です。

各レイヤーが独立して機能し、どれかが抜けても残りが保護する「多層防御」が原則だ。

第1層：最大反復数（max_iterations）

最もシンプルで最初に実装すべき制御がループカウンターだ。

```python
class LoopGuard:
def __init__(self, max_iterations: int = 20, max_tokens: int = 100_000):
self._iterations = 0
self._tokens_used = 0
self.max_iterations = max_iterations
self.max_tokens = max_tokens

def tick(self, tokens_this_step: int) -> None:
self._iterations += 1
self._tokens_used += tokens_this_step
if self._iterations >= self.max_iterations:
raise LoopBudgetExceeded(
f"Max iterations ({self.max_iterations}) reached"
)
if self._tokens_used >= self.max_tokens:
raise LoopBudgetExceeded(
f"Token budget ({self.max_tokens}) exhausted"
)
```

反復数の目安は用途によって異なる。情報収集エージェントなら 15〜25 回、コード修正エージェントなら 10〜15 回が出発点になる。

第2層：実行時間タイムアウト（wall-clock timeout）

反復数の上限があっても1回の推論が長引けば全体が止まらない。CPU時間ではなく壁時計時間（wall-clock）でタイムアウトを設ける。

```python
import asyncio

async def run_with_timeout(
agent_fn,
timeout_seconds: float = 60.0,
**kwargs
):
try:
return await asyncio.wait_for(
agent_fn(**kwargs),
timeout=timeout_seconds,
)
except asyncio.TimeoutError:
raise AgentTimeout(
f"Agent exceeded {timeout_seconds}s wall-clock limit"
)
```

タイムアウト値は「正常ケースの 2〜3 倍」を基準にする。平均10秒で完了するエージェントなら 30 秒タイムアウトが目安だ。

第3層：AnthropicのTask Budgets APIを使う

Claude Opus 5/Fable 5/Opus 4.8 では、Anthropic公式の Task Budgets APIがエージェントループ全体に対してソフト上限を設定できる。モデルはカウントダウンを参照しながら自律的にペーシングする。

```python
import anthropic

client = anthropic.Anthropic()

response = client.beta.messages.create(
model="claude-opus-5-20260301",
max_tokens=8096,
messages=[{"role": "user", "content": "以下のタスクを実行してください..."}],
output_config={
"task_budget": 50_000, # ループ全体のソフト上限トークン数
},
betas=["task-budgets-2026-03-13"],
)
```

注意点: Task Budgets はソフト上限（advisory）であり、ハード上限ではない。最低 20,000 トークンが必要で、予算が厳しすぎるとモデルがタスクを拒否することがある。第1〜2層の制御と併用し、Task Budgets は「モデルへのヒント」として使うのが正しい位置づけだ。

第4層：進捗検知（progress detection）

反復数・トークン・時間のどれにも引っかからないケースとして「エージェントが同じアクションを繰り返して進まない」状況がある。直前の N ステップの出力を比較し、類似度が高ければ終了する。

```python
from difflib import SequenceMatcher

def is_making_progress(recent_outputs: list[str], threshold: float = 0.85) -> bool:
if len(recent_outputs) < 3:
return True
last = recent_outputs[-1]
prev = recent_outputs[-2]
similarity = SequenceMatcher(None, last, prev).ratio()
return similarity < threshold
```

実用的には「直前3ステップのアクション + 観測の類似度が 85% 超で 2回連続したら終了」という条件が初期設定として機能する。

実装パターン：ループ制御はどこに置くか

ループ制御はモデル本体ではなくハーネス層に実装します。フィードバックパス上に直接配置することが前提です。

arXiv研究が示した最大の教訓は「ループ制御が存在しても、フィードバックパス外に置かれると機能しない」という点だ。制御ロジックは必ずエージェントが実際に呼び出されるパスに割り込む必要がある。

```python
from contextlib import contextmanager

@contextmanager
def loop_budget(max_iter: int = 20, timeout_sec: float = 120.0):
guard = LoopGuard(max_iterations=max_iter)
start = time.monotonic()
try:
yield guard
except LoopBudgetExceeded as e:
logger.warning("loop_budget_exceeded", reason=str(e))
raise
finally:
elapsed = time.monotonic() - start
if elapsed > timeout_sec:
raise AgentTimeout(f"Agent timed out after {elapsed:.1f}s")

使用例

コンテキストマネージャーパターンにすることで、ループ制御ロジックをビジネスロジックから分離しつつ、フィードバックパス上に確実に挿入できる。

規模別の留意点（SMB / エンタープライズ）

SMB向け

まず max_iterations と timeout_seconds だけを設定する。Task Budgets API はオプションで試す。最初から進捗検知を組み込まなくて良い。

• max_iterations: 15〜25（用途に応じて調整）
• timeout_seconds: 60〜120
• ログに iterations と total_tokens を必ず出力する
• Kuu の AIエージェント運用管理サービスでは、ループ上限の設計テンプレートを提供している

エンタープライズ向け

ゲートウェイ層でセッション単位のトークン予算を集計・強制し、HTTP 429 でエージェントのAPI呼び出しを遮断する構成を加える。各テナント・各エージェントロール別の予算枠設定とAI FinOpsとの連携が重要だ。また、進捗検知スコアを可観測性基盤に流し、ダッシュボードでループストール状態をアラートとして検出する体制を整える。大規模運用では RDE（Reinvention Deployed Engineering）によるガバナンス設計の支援も選択肢になる。

参考

• Building Effective Agents — Anthropic Engineering
• When Agents Do Not Stop: Uncovering Infinite Agentic Loops in LLM Agents（arXiv 2607.01641）
• Task budgets — Claude Platform Docs

まとめ

AIエージェントのループ実行制御は「最大反復数・トークン予算・タイムアウト・進捗検知」の4層で構成する。どれか1つを省略するのではなく、最低限 max_iterations と timeout から実装を始め、本番化とともに段階的に追加するアプローチが現実的だ。最も重要な設計原則は「制御をフィードバックパス上に置く」こと——フレームワークが終了機構を提供していても、実際のモデル呼び出しを囲まなければ無効だ。

エージェントの実行制御設計についてのご相談は、Kuu株式会社のAIエージェント運用管理サービスへどうぞ。