首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >Agent 干到一半崩了:长任务续跑的工程学

Agent 干到一半崩了:长任务续跑的工程学

原创
作者头像
顺势而为
发布于 2026-11-15 21:56:08
发布于 2026-11-15 21:56:08
370
举报
文章被收录于专栏:技术专栏Herness技术专栏Herness

摘要:Agent 能干活了,真正的考验才开始:跑到一半崩了怎么办?从一次重复退款的失败现场出发,拆解检查点、确定性重放与幂等三件套,并借 2026 年一项安全研究说明,为什么「回滚正确」不等于「恢复安全」,给出恢复决策与八项工程清单。

下面是一个示意场景,但每个把 Agent 接进生产链路的人,大概都能对上号。

一家做庭院门自动开门机的出口企业,售后团队上了一套智能体:读客户英文邮件、查订单与库存、起草回复、人工确认后发出。某天一单退款流程走到第四步——调用退款接口成功,还没来得及把状态写回工单,容器被调度重启了。

新进程起来,读到的是「任务未完成」。于是它从第一步重跑:查订单、判断条件、再调一次退款接口。请求号是重新生成的,下游系统认不出这是同一笔。当天财务发现,同一位客户被退了两次。

复盘会上,没有人写错代码。问题出在更底层的地方:这套系统把一次跨越数分钟、带着外部副作用的业务过程,当成了一次可以随时重来的函数调用。

示意:退款请求发出后进程重启,重跑导致重复退款
示意:退款请求发出后进程重启,重跑导致重复退款

过去两年,行业的注意力几乎都放在「让它更能干」上:更好的模型、更长的上下文、更多的工具、更复杂的编排。近一个月,话题开始转向「该给它多大权限」「落地还有几道闸门」。但还有一条轴很少被单独拎出来讲——它干到一半,断了呢?

这篇文章想说清楚一件事:Agent 从演示走向生产,缺的不是更强的推理,而是一整套关于「执行连续性」的工程纪律。

01 失败模型变了:从十秒请求到跑几天的业务流程

一个聊天助手回答一次问题大约十秒。请求失败,用户再问一遍,损失可以忽略。这是典型的无状态请求—响应:进程随时可弃,重试几乎零成本。

企业 Agent 是另一种东西。它读文档、调模型、查系统、写工单、等人审批,一个任务可能包含几十到几百次模型与工具调用,中间还要跨天等待客户回复、等配件到货、等主管签字。它更像一条长跑的业务流程,只是流程里嵌了一个大模型。

时间一拉长,中断就从「小概率意外」变成「常态」:容器被回收、节点被驱逐、发版撞上跑了一半的任务、模型限流、外部接口超时却不告诉你是成功还是失败。

此时「从头再跑」不再无害。已经付过的 Token 要再付一遍,已经发出去的邮件可能再发一遍,已经提交的退款可能再退一遍。在无副作用的世界里,重跑等于恢复;在有副作用的世界里,重跑可能是一次新的事故。

这个变化已经被云厂商写进产品规格里。

数据卡片|长任务运行时(AWS 官方产品口径,非第三方实测)Amazon Bedrock AgentCore Runtime:microVM 会话最长连续运行 8 小时;实例(EC2)类型会话最长连续 14 天 官方说明:智能体工作负载通常有 30%–70% 的时间处于 I/O 等待(等模型、等工具、等数据库),等待与空闲时间不计费,按实际 CPU/内存用量秒级计费 出处:AWS《Amazon Bedrock AgentCore 常见问题》官方页面

数据图:十秒请求、8 小时、14 天三个运行时量级,以及 I/O 等待占比区间
数据图:十秒请求、8 小时、14 天三个运行时量级,以及 I/O 等待占比区间

上海证券报 2026 年 11 月 3 日报道腾讯全球数字生态大会时也记录了同一方向:腾讯云 CTO 王慧星把落地堵点概括为「跑得通、可托付、可衡量、好落地」四道关,并提到 Agent 执行任务可能持续数小时甚至数天,弹性调度、沙箱启动、存储快照恢复和安全隔离都会面临更高要求。

换句话说,长任务已经不是「把超时时间调大一点」能解决的问题了。它需要一个专门的执行层。

02 记忆不等于耐久:对话历史存下来,活儿还是会丢

第一个坑,是把「存了聊天记录」当成「做了持久化」。

对话历史记录「说过什么」,持久化状态要回答「活儿干到哪了」。两者在短对话里看起来一样,一遇重启就分道扬镳:模型读了三十轮历史,仍可能判断不出「退款接口到底调没调过」,于是把已完成的外部动作判成未完成,再执行一次。

一个可用的检查点,最少要能回答四个问题:

  1. 现在执行的是哪一版目标? 用户中途改过需求吗,计划是基于哪版目标生成的;
  2. 已经确定完成了什么? 哪些步骤有可验证的结果,可以直接跳过;
  3. 下一步准备做什么? 恢复后由运行时从明确的状态转换继续,而不是让模型重新猜;
  4. 有没有结果未知的副作用? 哪个请求可能已经发出、但没收到回执。

公开工程实践中常见的最小快照,大致长这样(示意结构,字段参考社区实践):

代码语言:yaml
复制
run\_id: r-42
goal\_rev: 3
checkpoint\_rev: 18
status: RUNNING
next\_step: create\_review\_task
evidence\_refs: [ev\_12, ev\_13]
pending\_action:
  action\_id: review-r42-g3-s7
  idempotency\_key: review-r42-g3-s7
  request\_fingerprint: sha256:...
  status: PREPARED
检查点最小快照要回答的四个问题
检查点最小快照要回答的四个问题

注意 pending_action 这一块。它存在的意义不是记录细节,而是承认一件事:系统有可能真的不知道外部世界发生了什么。 把这个「不知道」显式写进状态,比假装一切确定要安全得多。

一条硬约束:任何产生外部副作用的步骤,必须在执行之前落盘。副作用发生了却没有记录,系统就进入既不能安全重做、也不能安全跳过的死角。

03 三件套:检查点、确定性重放、幂等

把「边想边做」的控制流,改造成一条可被观察、可被中断、可被续接的数据流,需要三件东西同时到位。少任何一件,恢复出来的都不是「续跑」,而是一次全新的执行。

检查点回答「进度在哪」。 落盘粒度是工程取舍:每步之后存,最多丢一步但序列化开销高;只在首尾存,等于没做。多数生产场景的默认值是「在产生外部写操作之前存一次」,并以「一次模型调用加一组工具执行」为一个检查点单元。

确定性重放回答「怎么还原已经确定的决策」。 引擎记录一条只追加的事件历史,崩溃后由新进程重放编排代码;遇到历史里已有结果的步骤,直接取回记录值而不再执行。这带来一条容易踩的纪律:编排代码必须是确定性的,Date.now()、随机数、直接网络请求都不能出现在里面;模型调用与工具调用必须包进被记录的 step/activity,否则每次重放都会重新问模型,还会得到一个不同答案。更稳的做法是把模型当次的完整输出一并落盘,恢复时复用产物而非重新生成。

幂等回答「同一个副作用算几次」。 这是最容易被低估的一件。持久化执行普遍只能保证「至少一次」,不是「恰好一次」:一个步骤可能在副作用已经生效、结果还没记录的窗口里崩溃。所以每个外部写操作都要带稳定的幂等键(由 run id 与步骤名派生),并配合事务 outbox 与三阶段状态:

代码语言:txt
复制
PREPARED  →  EXECUTED  →  CONFIRMED
 落盘        调用外部      收到可验证回执
(含幂等键)  (同一把键)   推进到下一步

若请求可能已发出但没收到响应,就停在「结果未知」,进入对账,而不是盲目重试。文件读两次无害,发票开两次不是。

三件套:检查点、确定性重放、幂等,以及 PREPARED→CONFIRMED 三阶段
三件套:检查点、确定性重放、幂等,以及 PREPARED→CONFIRMED 三阶段

Temporal、Inngest、Restate、AWS Lambda durable functions、LangGraph checkpointer(生产用 Postgres/Redis saver)形态不同,骨架都是这一套。据 2026 年 10 月技术综述,Temporal 已把 OpenAI Agents SDK、Google ADK 等集成推进到正式可用——但框架能力不等于业务自动事务安全。

04 反常识:回滚正确,不等于恢复安全

方案到这里看似完整:检查点、确定性重放、幂等键,崩了从最近检查点继续。但 2026 年一篇安全研究掀开了一道缝。

arXiv:2608.29381《Safe to Resume? Breaking Execution Continuity of Agent Execution via Rollback》(2026 年 8 月 29 日提交,9 月 1 日发布;预印本,以下为研究者实证结论)是首个系统性研究 Agent 检查点与回滚安全性的工作。它的核心命题一句话就能说完,却足够颠覆:

正确回滚,不蕴含安全恢复。

一个被忠实还原的检查点,完全可能拼接出一次「状态、假设与外部影响从未在任何有效历史中共存」的执行。论文归纳了五类失效模式,覆盖内部状态不完整或不一致、外部依赖已经变旧、非确定性重放、未被记录的外部影响等;并在 Hermes、Cline、LangGraph 上做了三类端到端攻击演示:绕过恶意软件校验、未授权邮件转发、重复支付。研究还把利用这种错位的攻击称为「语义回滚攻击」。

用大白话讲:检查点恢复的是内部状态,它恢复不了外部世界。

  • 如果一笔扣款发生在检查点之后,回到检查点并不会把钱退回去,而重新生成请求可能又付一次;
  • 一封已经发出的邮件撤不回来,一个已经送达的 webhook 可能已经让对方系统做了动作;
  • 等待审批的三天里,订单状态、库存、上游接口字段都可能变了,而检查点里记的还是三天前那个版本。
arXiv:2608.29381 归纳的五类回滚失效模式
arXiv:2608.29381 归纳的五类回滚失效模式

这也解释了为什么「把对话历史存好」远远不够:危险不在模型忘了什么,而在它记得的世界和真实的世界对不上。

值得区分清楚的是,这和「给 Agent 划权限」是两条不同的轴。权限回答「允不允许做」;执行连续性回答「做了一半、断了之后,世界和它记的是不是同一个世界」。一个权限设计得极严的系统,照样可能在一次重启后把一封合规的邮件发两遍。

05 恢复之前,先做一次「世界对账」

还原不等于安全,恢复就该是一道有条件的闸门:在「加载检查点」与「继续往下跑」之间插入一次显式对账。

  1. 拿稳定的操作 ID 去查权威系统。 不是问模型「刚才发出去了吗」,而是拿 idempotency_key 去查订单系统、邮件网关、支付网关的真实回执。
  2. 按结果分三路走。 已提交 → 记录回执、跳过该步;确认未发生 → 仅当该动作可安全重放时才重试;仍然未知 → 停下,升级给人工,不要猜。
  3. 做一次 plan-diff。 把检查点里的预期状态与恢复时的真实状态比对:下游超时可以重试,上游 API 字段变更则可能让整份计划失效,需要回到最后一个干净检查点重新规划。
  4. 按不可逆性给动作分级。 数据库记录可改,已扣款需冲正,已发邮件与已送达 webhook 不可撤销;等级越高,越要把人工闸门放在动作之前。
  5. 保留升级路径。 上下文被裁剪、环境变化、置信度不足时,存好状态、停下、交给人;循环检测要拦住「和上次失败几乎一样」的计划。
恢复前的世界对账:查回执、分三路、plan-diff、按不可逆性分级
恢复前的世界对账:查回执、分三路、plan-diff、按不可逆性分级

一句话概括这套纪律:恢复的判据不在「我们记住了什么」,而在「外部世界已经发生了什么」。 前者可以存,后者只能查。

06 等待不该烧钱:长任务的经济账

长任务的另一个特征,是大量时间花在等上——等模型、等工具、等审批、等客户回信、等配件到货。

按「一个常驻进程从头跑到尾」设计,等待期间容器、内存、连接全占着;关掉再启动又影响连续性。上海证券报那篇报道把这一点列为基础设施硬约束:当成千上万个 Agent 同时工作,弹性调度、沙箱启动、存储快照恢复和安全隔离都会被推到更高要求上。

业界的解法是把「等待」变成可暂停、可唤醒的持久化状态,而非占着资源的 sleep:durable timer、signal、awakeable、task token 名字不同,共同点是等待期间不持有进程、不消耗算力。据 2026 年 11 月技术综述,AWS Lambda durable functions 支持最长一年的执行、等待不计作计算;LangGraph 用 checkpointer 存图状态,Temporal 用 signal 挂起审批。以上为第三方归纳,以各家官方文档为准。

AWS 官方 FAQ 给出的口径更值得算一算:智能体负载通常有 30%–70% 的时间处于 I/O 等待,而 AgentCore Runtime 对等待与空闲不计费。也就是说,长任务的成本结构里,「让进程一直活着」本身就是一笔可观的浪费。

反过来看重跑:从头再来意味着已完成的模型与工具调用重新付费,含非幂等动作还可能造成业务损失。可靠性直接挂在单位任务的成本上。 21 世纪经济报道 2026 年 11 月 2 日提出「成本线性上升与收益斜率之间的赛跑」,在长任务场景里,这场赛跑很大程度由恢复机制决定。

07 落到业务:一张跨天售后工单怎么设计续跑

放回开头那家出口企业,可执行的口径其实不复杂。

售后工单天然是长任务:客户抱怨开门机低温重启,Agent 要查订单与批次、翻说明书与历史邮件、判断补发配件、起草英文回复、等主管审批、再等客户确认,中间可能跨两三天,还可能遇到客户中途改需求。

设计时的顺序是固定的:

  • 先画红线。 把「向外部客户发邮件」「提交退款」「修改工单状态」列为不可撤销或需补偿的动作,全部前置人工闸门;闸门放在发送侧,不放在模型的提示词里。
  • 再定检查点位置。 每个带副作用的工具调用之前必须落盘,且落盘与「写 PREPARED、生成稳定幂等键、写 outbox」在同一个本地事务里完成。
  • 把等待外置。 等客户回信、等审批、等到货通知,都用可被回调唤醒的持久化等待,不占进程;回调进来时用 run_id 精确关联到原任务。
  • 恢复时先对账再续跑。 拿幂等键去邮件网关和订单系统查真实回执;查得到就跳过,查不到就停给人。
  • 给上下文做减法。 按「保系统提示、保最近若干轮、保关键决策点,中间压成摘要」裁剪;不可丢失的约束写进结构化状态,别指望模型一直记得。
  • 把历史邮件变成评测集。 每次恢复是否正确、有没有重复副作用,都要能被回放和断言,而不是靠上线后人工抽查。

这里没有一步需要更强的模型。它们全都是把「模型负责提议、确定性代码负责裁决」落在时间维度上的结果。

08 代价与边界:检查点不是免费的

检查点频率是一道旋钮,不是越密越好。 每留一个检查点都要序列化、落盘、管理:太稀疏恢复时要补很多步,太密集又拖慢节奏、吃掉存储。跑三天、碰真钱的任务值得做密,几秒能重来的小任务硬上检查点反而是浪费。社区里还有一类典型事故——跑了半年的 Agent 平台,检查点表比业务表先撑爆磁盘,所以清理与压缩要和检查点一起设计。

存储耐久解决不了上下文膨胀。 工具结果与推理轨迹累积得比淘汰得快,「上下文超长」的病根在状态管理,不在模型。据 2026 年技术综述,Anthropic 当年 5 月提出过用离线记忆整理("dreaming")在会话之间剪枝;这是厂商分享的方向,不是可照搬的结论。

框架能力不等于生产保证。 2026 年 10 月出现的 Pi Durable 等运行时把「每步存档」做进了 harness,但作者标注为实验性,缺少长周期生产数据,宜视作方向信号而非验证过的答案。

论文结论也有边界。 arXiv:2608.29381 是预印本,五类失效模式来自研究者对代表性系统的建模,宜当作恢复设计的检查项,而非行业普查。

八项可落地清单与不可逆动作红线
八项可落地清单与不可逆动作红线

09 一份可以今天就用上的清单

  1. 列出所有带外部副作用的工具,标注哪些可重放、哪些需补偿、哪些不可撤销;
  2. 给每个写操作配由 run_id + 步骤名派生的稳定幂等键,并确认下游支持去重;
  3. 把副作用之前的「写 PREPARED + outbox + 检查点」放进同一个本地事务;
  4. 编排代码保持确定性,模型与工具调用全部包进被记录的 step/activity,模型当次输出一并落盘;
  5. 检查点至少记录目标版本、已完成步骤、下一步、结果未知的待确认动作;
  6. 恢复前用稳定操作 ID 查权威系统回执,按「已提交/确认未发生/仍未知」三路分支,未知即升级人工;
  7. 长等待用可唤醒的持久化状态,不占进程;恢复时重新读取外部真实状态做 plan-diff;
  8. 把恢复正确性写成可回放的评测用例:重启、超时无响应、并发重入、中途改需求,都要有断言。

这八条里没有一条在提升模型能力。它们做的都是同一件事:承认 Agent 会断,并且提前把「断在哪里、还敢不敢接着跑」变成可以被检查、被测试、被追责的工程事实。

能力决定它能跑多远,执行连续性决定它断过之后还能不能被信任。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 01 失败模型变了:从十秒请求到跑几天的业务流程
  • 02 记忆不等于耐久:对话历史存下来,活儿还是会丢
  • 03 三件套:检查点、确定性重放、幂等
  • 04 反常识:回滚正确,不等于恢复安全
  • 05 恢复之前,先做一次「世界对账」
  • 06 等待不该烧钱:长任务的经济账
  • 07 落到业务:一张跨天售后工单怎么设计续跑
  • 08 代价与边界:检查点不是免费的
  • 09 一份可以今天就用上的清单
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档