LoopGain es una biblioteca de Python de código abierto diseñada para sustituir el habitual tope fijo de iteraciones (max_iterations=N) que utilizan los bucles de agentes de inteligencia artificial. Su propósito es terminar el bucle en el momento exacto en que el output ha convergido y, si la trayectoria del error se deteriora, retroceder a la mejor iteración observada en lugar de devolver un resultado degradado.
La herramienta se basa en el criterio de Barkhausen, un resultado clásico del análisis de osciladores con realimentación en ingeniería eléctrica (1921), adaptado para medir en tiempo real la ganancia del bucle (Aβ). A partir de una única señal de error no negativa por iteración —por ejemplo, el número de tests que fallan, las violaciones de esquema en una extracción JSON o la puntuación de un juez LLM— calcula cuatro rasgos de la trayectoria del error (reducción acumulada, pendiente logarítmica, significación estadística y varianza residual) y clasifica el bucle en cinco estados: convergencia rápida, en convergencia, estancamiento, oscilación o divergencia.
En una batería de 2.000 ensayos repartidos en 10 celdas de carga de trabajo, LoopGain redujo el gasto en APIs un 92,8 % frente a un tope de 20 iteraciones (de 27,05 a 1,94 dólares) y aceleró la mediana de tiempo por ensayo de 30,9 a 2,1 segundos. La calidad se mantuvo estable, con tasas de victoria del juez entre 0,50 y 0,63 en cargas naturales y entre 0,92 y 0,95 en cargas con fallos diseñados, sin que se disparara ninguno de los seis criterios de parada predefinidos.
Se distribuye con adaptadores para LangGraph, CrewAI, AutoGen, LangChain, OpenAI Agents SDK y Claude Agent SDK, además de una API sin dependencias para integraciones a medida. Como limitación explícita, LoopGain detecta convergencia, no corrección: su acierto depende de la calidad de la señal de error que le proporcione el usuario.