跑数百小时级 Agent 舰队：心跳看板等 9 条保活实践与五大未解难题
milkygirl21 · reddit · 2026-10-10
作者运营一批运行数小时到数天的 LLM Agent（案例：批量转录并摘要几百个频道视频、建可搜索知识库），Agent 常安静挂掉而非崩溃报错，他总结了自己搭建的保活体系：
已落地的做法
- 共享心跳看板：每个任务一行，统一写最近检查时间、下次预期检查、截止时间、当前步骤、checkpoint 链接等 6 个字段
- 截止时间设为检查间隔的 2-3 倍，漏跳只标记不定罪；重试循环设上限，常驻守望任务不设总期限
- 每 30 分钟由独立审计 Agent 巡检看板，超半数任务同时超时就发一条合并告警（多为平台故障或配额问题）
- 状态检查本身被限流时结果记为 unknown，绝不盲目重启
- 不可逆操作（发送/提交/发布）前后写 intent/done 记录与操作键，防止重跑重复执行
- 重启用 epoch fencing：新实例带更高 epoch，旧实例醒来看到即自停
- 每批次先落盘 checkpoint，看板只存指针；另设 watchdog 检查审计 Agent 本身还活着
仍未解决的问题
- 凭据下发：vault 只能填浏览器输入框、不能把值交给 shell，git 提交被迫走慢速浏览器路线
- 工作区重置会抹掉未外部 checkpoint 的本地状态
- 缺外部 dead-man switch，审计与看板同挂时无人发现
- 步数/上下文限制会让 Agent 中途无交接地停下
- Sheets 读配额被十几个 Agent + 审计打爆，只能到处按 unknown 处理
作者征询：廉价的外部 dead-man switch 方案、比表格更好的心跳存储、安全下发 secrets 的方式、临近步数上限时的干净交接模式，以及哪些设计属于过度工程。
所属事件:长时 Agent 运维实践：九条保活方案与五大未解难题(2 条相关)→
「编程与Agent」频道最新
- 实测三个个人 agent 的主动通知能力:dot 抓出错日历,Muse 太吵 — hazelcough · 2026-10-10
- 个人AI Agent开始记住工作模式并自建联系人CRM — thisiskp_ · 2026-10-10
- 创作者实测生成式模型:文本提示不是唯一交互,值得做更丰富界面 — keenanisalive · 2026-10-10
- VLM 看图能力不均，「do better」式提示很快失效 — keenanisalive · 2026-10-10
- 用「相信你自己」提示法调教 LLM 写 3D SDF 模型实测 — keenanisalive · 2026-10-10
- 不用 mesh 和 3DGS，他用 LLM 写 27KB GLSL 代码生成 3D 龙 — keenanisalive · 2026-10-10