AI Agent 工作流失败时该怎么办：监控、重试、降级与人工接管指南

显示“已完成”的自动化任务，其结果未必可用。AI Agent 可能成功调用了工具却未获取到数据，或生成了格式正确但事实错误的内容。为了减少无人值守工作流中的意外问题，监控范围必须超越“流程是否结束”，延伸至各个步骤、输出结果以及副作用。

首先确定故障所属层级

该分类保留了针对非确定性输出、多步依赖及外部 API 波动的原有评估逻辑，同时使排查顺序更加直接：先定位故障层级，再决定是否重试。

监控至少应记录哪些信息？

• 统一的唯一任务标识符，以及每个步骤的开始时间、结束时间和状态。
• 工具调用输入的摘要与原始响应，以及错误信息；敏感字段需脱敏处理。
• 模型调用所使用的上下文版本，以及输出结构是否通过验证。
• 重试次数、回退路径、降级结果及最终确认人。
• 对于外部写入操作，记录目标对象、幂等标识符及审批状态。

执行追踪的价值不在于日志数量越多越好，而在于能否回答以下问题：问题出在哪个步骤？使用了什么输入？是否产生了外部影响？工作流能否从故障点安全恢复？

如何在四种恢复方法中进行选择？

1. 自动重试：仅用于临时性故障

网络超时和临时服务不可用等临时性故障可进行有限次数的重试，并采用递增等待时间。认证失败、参数无效和权限不足等问题通常不会因重试而消失，应触发告警或直接转交人工处理。

2. 回退路径：首选工具不可用时切换

仅在备用工具能提供等效输入时才进行切换。如果备用数据较旧或字段较少，结果必须明确标注其来源与局限性。降级结果绝不能伪装成完整结果。

3. 降级输出：保留可用部分

当部分数据源缺失时，应输出已验证的部分及缺失项列表，而非强行填补空白。降级适用于报表生成、检索和分析类任务。支付、删除和发布等高敏感操作不应静默降级。

4. 检查点与人工接管

当工作流包含写入数据库或发送消息等副作用时，应在执行前保存状态，并使用幂等标识符防止重复执行。若无法确认上一步是否生效，暂停比盲目重试更安全。

实用的配置序列

1. 明确定义每个步骤的成功标准，同时检查技术状态与业务结果。
2. 为每种错误类型定义四种结果：重试、切换、降级或停止。
3. 设置重试上限，避免在故障期间持续消耗资源。
4. 为外部写入操作添加幂等控制、检查点及必要的人工确认环节。
5. 使用超时、空结果、格式错误和权限不足等情况进行故障演练。
6. 定期复盘高频故障，修正工作流设计，而非不断叠加重试次数。

常见问题

为什么任务报告成功时仍需发送告警？

因为工具调用成功与业务交付成功并非同一概念。还需检查输出是否为空、必填字段是否齐全，以及事实是否有依据支撑。

所有故障都能自动恢复吗？

不能。无副作用且可逆的临时性故障适合自动恢复。涉及权限、数据一致性或外部写入的异常应先暂停，并转交人工确认。

SmaugBrain 在此类工作流中适用于什么场景？

可用于编排任务步骤、工具调用及结果聚合。无论使用何种平台，团队都应提前明确恢复规则、验收标准及人工接管的边界。

上线前检查清单

• 每个步骤都具备机器可评估的完成标准。
• 重试机制不会导致重复写入。
• 降级结果会明确标识信息缺口。
• 关键操作设有审批或暂停节点。
• 故障演练能精准定位具体步骤，且工作流可从安全节点恢复。