# AIエージェントのループ実行制御——実行予算・最大反復数の設計

> AIエージェントの無限ループを防ぐ4層の実行制御設計（最大反復数・トークン予算・タイムアウト・進捗検知）を解説。本番68件の障害事例とAnthropicのTask Budgets APIの使い方も紹介する。

- Canonical: https://kuucorp.com/blog/agent-loop-execution-control-budget-timeout/
- Date: 2026-08-02
- Last modified: 2026-08-02
- Publisher: Kuu株式会社 (https://kuucorp.com)

---
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](/blog/agent-harness-architecture/)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。

| パターン | 発生比率 | 説明 |
|---|---|---|
| 上限なしリトライ | 25% | パーサーエラーでモデルを際限なく呼び出す |
| ツール呼び出し無限反復 | 23.5% | モデルが上限なくツールを要求し続ける |
| エージェント間対話の無制限継続 | 20.6% | マルチエージェントの会話に終了条件がない |
| ワークフローサイクル | 13.2% | グラフ遷移がターン上限なしにループする |
| メッセージ再入力障害 | 10.3% | コンテキストが膨張し続け最終的に OOM |

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
with loop_budget(max_iter=15, timeout_sec=60.0) as guard:
    while not done:
        result = call_agent_step()
        guard.tick(tokens_this_step=result.usage.total_tokens)
        done = check_completion(result)
```

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](/services/ai-ops/)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](/blog/ai-finops-token-cost-instrumentation/)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）](/services/rde/)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](https://www.anthropic.com/engineering/building-effective-agents)
- [When Agents Do Not Stop: Uncovering Infinite Agentic Loops in LLM Agents（arXiv 2607.01641）](https://arxiv.org/html/2607.01641v1)
- [Task budgets — Claude Platform Docs](https://platform.claude.com/docs/en/build-with-claude/task-budgets)

## 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](/services/ai-ops/)へどうぞ。