7×24 小时跑 agent 集群,崩溃元凶不是 prompt 而是系统工程
ParrotIntegrated · reddit · 2026-09-08
一支团队将 agent 集群推到全天候并行运行后复盘:生产环境中的灾难性失败几乎都来自 harness 和底层管道，而非 LLM 推理失误。
三大故障模式与对策：
- 静默 schema 漂移比崩溃更可怕：上游改了 API 字段名或新增枚举值，查询仍返回 200 OK，agent 会自行「合理化」缺失字段、抓相邻数值列，并以 100% 自信输出幻觉。解法是在绑定时对 schema 做指纹校验，失败即进入死信队列。
- 无协调的重试引发 429 踩踏：6 个并行子 agent 同时退避、又在同一毫秒醒来，形成雷群效应直撞速率限制。并发治理不能放在 prompt 循环里，需要客户端网关准入控制与平滑加速。
- 对话记录是审计日志，不是工作记忆：在 agent 间传递原始对话历史最快触发 token 上限，下游 worker 要花半个上下文窗口重新发现已定结论。他们改为传递不可变的产物指针（回执哈希）而非原始工具返回值。
「编程与Agent」频道最新
- OpenAI 前工程师反驳 Codex 起源说：本为加速基建的内部工具 — gabrielchua · 2026-09-08
- 用 GLM-5.3-Flash 在 Blender 里搭出 3D 厨房，作者称 Blender-RL 成本并不高 — bookwormengr · 2026-09-08
- 先出方案再动手:Factory /missions 输出让用户直呼正中需求 — matanSF · 2026-09-08
- Rauchg 发起第二轮开源资助：35 人各得 1000 美元 — iamsahaj_xyz · 2026-09-08
- PyPI 8月报:mcp-types 下载暴涨 425%,OpenHands 连续四月翻倍 — rajistics · 2026-09-08
- Muse Spark 1.3 用 Three.js 写出 16km² 浏览器 3D 驾驶 demo — alexandr_wang · 2026-09-08