Agent 宕机后如何恢复？Checkpoint 为什么不能保证工具只执行一次？

实现与取舍

代码示例

用唯一操作键模拟重复恢复

Python 标准库可运行。业务副作用在同一个本地数据库事务中；不代表邮件、支付或远端 API 能与 checkpoint 原子提交。

import sqlite3, tempfile
from pathlib import Path
with tempfile.TemporaryDirectory() as folder:
    path = Path(folder) / 'run.db'
    db = sqlite3.connect(path)
    db.executescript('CREATE TABLE effects(op TEXT PRIMARY KEY, result TEXT); CREATE TABLE checkpoints(run TEXT PRIMARY KEY, state TEXT);')
    for attempt in range(2):
        with db:
            db.execute('INSERT OR IGNORE INTO effects VALUES (?, ?)', ('run-1:create-ticket:v1', 'ticket-42'))
            db.execute('INSERT OR REPLACE INTO checkpoints VALUES (?, ?)', ('run-1', 'done'))
        db.close()
        db = sqlite3.connect(path)
    print(db.execute('SELECT COUNT(*) FROM effects').fetchone()[0])
    print(db.execute('SELECT state FROM checkpoints').fetchone()[0])
    db.close()

预期输出

1
done

工程推演

场景

假设工程场景：研究 Agent 创建任务工单后宕机。

设计决策

以 run 与逻辑操作组合为工单幂等键，未知响应先查目标系统，再恢复节点。

验证目标

验收目标是重复恢复仍定位到同一工单，并继续生成报告；这是设计验收要求，未宣称真实公司效果。

适用边界

目标系统没有幂等或查询接口时，需要人工核实；checkpoint 本身不能补足这个能力。

易错点

• 把 checkpoint 当成外部副作用事务
• 每次重试生成新的随机幂等键
• 用内存保存器声称进程重启后可以恢复
• 回放旧状态时忽略当前权限与代码版本

参考资料

依据公开技术资料设计；参考资料支持技术机制，场景与评分标准为本站设计，不代表某公司面试原题。 新增问答与迁移案例用于原理讲解，来源核查与案例运行验证分别记录。

• LangGraph：Checkpointers、回放与 durability
• Temporal Retry Policies：非确定性操作放入 Activity
• AWS：Transactional outbox pattern

检查自己理解到哪一步

读完后可以对照这些标准解释原理、边界和取舍。掌握程度由你自评；需要进一步验证时，再完成下方小任务。

基础达标

区分保存状态与外部副作用保证。

中高级信号

明确恢复起点、完成记录与幂等操作身份。

资深信号

通过提交前后宕机证明重放边界与未知结果处理。