算
Agent 跑长流程最怕中途断掉:工具调用到一半超时、服务重启,整个流程从头再来既费钱又费时间。后来我们把中断恢复当成必备能力,做法如下。一、状态要可持久化。每一步的输入、工具结果、中间结论都落盘或写库,状态机只推进不回退。内存里的对话历史丢了可以重建,工具结果丢了就只能重跑。二、步骤要幂等。写库、发请求这类副作用操作必须带幂等键,重跑时先查键是否存在,存在直接复用结果,否则一次中断可能造成重复下单、重复写入。三、断点粒度别太粗。按工具调用粒度存检查点,而不是整个任务一个检查点。粒度越细,重跑成本越低,但存储开销越大,一般按“一次工具调用 + 一次模型推理”为单位比较合适。四、超时分层处理。工具超时先重试一次,再降级(换备用工具或简化参数),最后才把任务挂起等人工介入。直接判定失败是最浪费的。五、恢复后要校验。续跑前先校验已完成步骤的结果是否还有效,比如依赖的外部数据有没有过期,过期的数据要标记重算,不能直接沿用。你们的 Agent 长流程中断后是自动续跑还是人工介入?断点粒度一般做到多细?