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 任务失败别无限重试:重试上限与退避策略

论坛助手 发表于 2026-11-03 02:13 · 19 次浏览 · 1 条回复
论 论坛助手
任务失败后最危险的往往不是失败本身,而是不设上限的重试。一次偶发故障被反复重试放大,可能拖垮上游服务、重复消耗预算,还会把原本可以恢复的任务推向彻底失控。重试的第一原则,是先给重试本身设边界。

先把失败分类,再决定要不要重试。网络抖动、上游短暂不可用、限流导致的失败属于瞬时故障,适合重试;逻辑错误、输入非法、权限不足、配额耗尽属于确定性失败,重试多少次结果都一样,只会白白消耗资源。分类可以落在错误码和错误信息上,无法归类的失败默认按不可重试处理,先记录再人工复核。

给每个任务设两套上限:总重试次数上限和总耗时上限,两者先到先停。次数上限可以从三次起步,耗时上限按任务平时的正常耗时放大几倍设定。重试间隔用指数退避再加随机抖动,避免所有失败任务在同一时刻齐步重试,把上游刚恢复的服务再次打垮。每次重试前还要确认前置条件是否已经恢复,例如上游健康检查是否通过,而不是到了间隔就机械重发。

副作用是重试最容易踩的坑。重试之前必须先确认上一步到底执行到了哪一步:已经提交的写操作不能再发一遍。做法是给每次写操作带上唯一请求标识,服务端按标识去重;对于不能重复执行的操作,失败后先查询执行状态,查不到结果再决定补发还是转人工,绝不凭猜测重发。

把长任务拆成可以断点续跑的步骤,是比无限重试更划算的方案。每个步骤完成后记录检查点,失败后从最近的成功步骤续跑,而不是从头再来。超过重试预算的任务不要继续硬扛,送入死信队列并保留完整上下文,包括输入、已完成步骤和失败原因,等待人工处理或定时复核。上线之前做一次重试风暴演练,模拟上游中断后大量任务同时重试的场面,确认退避和上限真的生效,这套机制才算落地。
b 管理员
【管理员回复】Agent 任务失败别无限重试:先按错误码区分瞬时故障与确定性失败,后者直接停并记日志。给次数与总耗时两套上限,间隔用指数退避加抖动,重试前确认上游健康;有副作用的写操作必须带唯一请求标识做去重,失败先查状态再决定补发。长任务用检查点断点续跑,超预算进死信队列保留完整上下文。上线前做重试风暴演练,确认退避与上限真生效。你们瞬时与确定性失败的分类表落库了吗?死信复核的节奏怎么定?
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