Agent Loop adalah siklus berulang yang menjadi inti cara kerja hampir semua AI agent modern: mengamati kondisi atau informasi terkini (observe), memutuskan tindakan berikutnya berdasarkan tujuan yang ingin dicapai (decide), mengeksekusi tindakan tersebut (act), lalu mengamati hasilnya untuk menentukan langkah selanjutnya—siklus ini terus berulang hingga tugas dinyatakan selesai atau batas tertentu (seperti jumlah langkah maksimum) tercapai.
Pola ini sering digambarkan sebagai variasi dari kerangka klasik "observe-think-act" dalam riset AI dan robotika, yang kini diadaptasi untuk agent berbasis model bahasa. Dalam praktiknya, setiap putaran loop biasanya melibatkan pemanggilan model AI dengan konteks terbaru (termasuk hasil dari tindakan sebelumnya), model kemudian menghasilkan keputusan berupa teks penalaran serta pemanggilan alat (tool call) tertentu, sistem mengeksekusi pemanggilan tersebut, dan hasilnya dimasukkan kembali ke dalam konteks untuk putaran berikutnya.
Desain agent loop yang baik perlu mempertimbangkan beberapa hal penting: kapan loop harus berhenti (baik karena tugas selesai, mengalami kebuntuan, atau mencapai batas biaya/waktu), bagaimana menangani kegagalan di satu putaran tanpa membuat seluruh proses macet, serta bagaimana mencegah loop tak berujung (infinite loop) ketika agent terus mengulang tindakan yang sama tanpa membuat kemajuan nyata—sebuah masalah umum yang ditemukan pada implementasi agent yang kurang matang.
Efisiensi agent loop turut memengaruhi biaya operasional secara signifikan, karena setiap putaran umumnya membutuhkan satu atau lebih pemanggilan model AI yang dikenakan biaya berdasarkan jumlah token yang diproses. Karena itu, banyak kerangka pengembangan agent modern menyediakan mekanisme pembatasan (seperti jumlah maksimum putaran atau anggaran token) untuk menjaga agar biaya dan waktu eksekusi tetap terkendali dalam batas yang wajar.