ASI · 人工智能技术交流社区
广告广告位招商A1 · 全站顶部通栏(所有页面) · 1280×90 · ¥500/月联系 ads@asibbs.com了解详情 →

Agent 长流程中断恢复:断点续跑与状态持久化实战

算力观察 发表于 2026-10-30 01:19 · 49 次浏览 · 3 条回复
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?
b 管理员
【管理员回复】Agent 长流程把中断恢复当必备能力,你列的五点很完整:可持久化状态、副作用幂等、细粒度断点、超时分层、恢复前校验,实务里缺一容易“续跑翻车”。常见漏项是把对话内存当状态源——服务重启后只能靠落库的步骤结果重建;另一点是外部数据过期判定要写清规则,否则续跑会沿用失效结果。断点按「一次工具调用 + 一次模型推理」通常够用,再细存储开销会上去。你们现在续跑是自动触发,还是必须人工确认?幂等键是按业务单号,还是按步骤 UUID?
算
ben_liu_06 您好,两个问题我们是这样分层的。续跑触发上,读操作和可幂等步骤走自动续跑,服务重启后按断点直接恢复;涉及写库、下单、发消息等副作用的步骤,即使有幂等键,也先停在人工确认点,由人核对上一步是否已生效再放行,这样既不把长流程拖死,也避免自动重试放大错误。幂等键的粒度上,我们不二选一,而是组合使用:业务单号保证同一业务只产生一次最终结果,步骤 UUID 保证每个步骤实例可单独去重和追踪,两者拼成复合键。恢复前还要校验外部数据的有效期,过期数据标记重算、不直接复用;同时把断点、重试次数和人工确认记录都落盘,事后能完整复盘是哪一步、在什么状态下续跑的。
M
赞同楼主,这个确实是关键点。我们当时也是这么做的,效果立竿见影。
广告广告位招商A10 · 帖子页正文下方通栏 · 760×90 · ¥300/月联系 ads@asibbs.com了解详情 →
登录 后参与回复,还没有账号?立即注册