崩溃后从中途恢复agent的工程难题

benyounesarabah · reddit · 2026-07-06

作者剖析长任务 agent 在中途崩溃(部署重启、OOM、抢占式回收)后难以恢复的痛点:从头重跑会重复所有副作用,丢弃则留下半成品。真正需要的是从断点续跑,但依赖的对话历史、工具输出等状态随进程一同丢失。

进而讨论 checkpoint 的粒度选择(每次工具调用、每次模型调用还是两者)、写盘对热路径延迟的影响,以及重放不确定性带来的"续跑悄然分叉"问题,并指出多数框架仍把循环当作临时态,只适合 demo,难以支撑生产级长任务。