多 Agent 协作系统设计：任务拆分、状态共享、冲突处理与失败恢复
我做 AgentInvest 多智能体股票分析系统时，把任务交给了四个角色。研究员先完成基础研究，技术分析师和舆情分析师并行补充，投资经理最后汇总。每个角色内部使用 ReAct 调用工具，外层流水线控制顺序、并发和失败条件。
角色跑起来以后，工程问题才真正出现。子任务拆到什么程度，两个 Worker 能不能同时写状态，一个分支超时后是否继续，都会直接影响最终结果。面试官追问多 Agent 项目时，通常也会沿着这些问题往下问。
AI Agent 核心概念 已经介绍过 Orchestrator-Subagent、Peer-to-Peer 等协作模式。这篇文章继续讨论这些模式落到项目以后，任务、状态、冲突和失败恢复应该怎样处理。
除了 AgentInvest，后面还会穿插技术调研、客服转接和代码审查等例子。
多 Agent 和多阶段 Prompt Chain 有什么区别？
Prompt Chain 管理处理步骤，多 Agent 管理能够独立完成子目标的执行者。两者可以同时出现，外层使用固定 Workflow，节点内部再运行各自的 Agent。
| 对比项 | 多阶段 Prompt Chain | 多 Agent |
|---|---|---|
| 执行单元 | 一条 Workflow 中的处理节点 | 可以独立完成子目标的 Agent |
| 工作方式 | 节点按照既定逻辑处理输入并产生输出 | Agent 可以选工具、观察结果并迭代执行 |
| 控制方式 | Workflow 负责节点跳转和状态流转 | 可以用固定编排，也可以由模型动态委派 |
| 上下文 | 上下文通常沿处理链路传递 | 可以按 Agent 隔离上下文、工具、权限和状态 |
| 运行状态 | 主要关注整条链路执行到了哪个节点 | 还要区分各 Agent 的任务、状态、尝试次数和交付结果 |
| 结果交付 | 节点输出通常作为后续节点的输入 | 可以传消息、共享状态，也可以交付结构化结果 |
| 失败处理 | 重试失败节点或从 Workflow 检查点恢复 | 还要决定哪个角色可以降级、跳过或重新执行 |
如果 AgentInvest 的四个角色只是四次固定模型调用，共用一份上下文和一组工具，每一步只加工上一步的文本，那它仍然是一条多阶段 Prompt Chain。
项目里的每个角色都是独立的 ReActAgent，有自己的 Prompt、Toolkit、maxIters 和上下文。研究员能查行情、研报、新闻和财务数据，技术分析师关注 K 线与技术指标，舆情分析师查询市场情绪，投资经理读取上游 <core_thesis> 做综合判断。外层 Workflow 管理的是四个独立 Agent 的执行过程，不只是在四段文本之间传递结果。
是否并行只说明任务怎么执行。多 Agent 可以顺序交接，Prompt Chain 也可以出现并行分支。
如果让你设计一个多 Agent 系统，你会先考虑哪些问题？
先确定每个角色负责什么、谁控制下一步、结果怎样交付以及失败后怎么处理，最后再决定需要几个 Agent、哪些任务可以并行。
| 需要确定的问题 | 具体要考虑什么 | 一个常见例子 |
|---|---|---|
| 每个 Agent 负责什么？ | 子目标、Prompt、工具、上下文和权限是否需要隔离 | 技术调研可以拆成资料检索、数据分析和结论复核 |
| 谁决定下一步做什么？ | 流程由代码控制，还是由模型动态选择角色和任务 | 固定审核流程交给代码，不确定的检索方向交给模型 |
| 多个 Agent 怎么配合？ | 顺序、并行、路由、交接、循环，还是几种方式组合 | 多路资料检索并行执行，Reviewer 在资料齐全后统一复核 |
| Agent 之间交付什么？ | 传完整对话、共享状态，还是只传结构化结果和必要证据 | 检索 Agent 交付结论、引用和 Artifact URI，而非完整对话 |
| 怎么记录状态和处理失败？ | 是否单独记录角色状态，超时后重试、跳过、降级还是终止 | 某一路检索超时后保留其他结果，并明确标记缺失项 |
| Agent 部署在哪里？ | 同一进程内运行，还是通过网络跨服务、跨团队或跨安全域 | 本地角色可以直接调用，远程角色需要身份、协议和任务状态 |
以技术调研为例，外层 Workflow 可以固定为制定计划、检索资料、分析和复核四个阶段。资料检索阶段再由 Agent 选择搜索词、数据源和工具，必要时增加新的检索方向。角色之间只交付结论、引用和 Artifact，不需要共享完整聊天记录。
什么时候值得用多 Agent？
我一般会先用单 Agent 或固定 Workflow 实现。一个 Agent 已经能在可接受的成本和延迟内完成任务时，拆出多个角色只会增加调度、上下文交付、结果归并和故障恢复的工作量。
如果不同环节需要明显不同的工具、权限和上下文，或者任务可以分成几个相对独立的方向，再考虑多 Agent。每个角色还要有明确的交付结果，例如结构化结论、引用、代码 Diff 或测试报告。如果角色之间只交付几段自由文本，后面通常会把大量精力花在结果拼接和问题定位上。
Anthropic 公开的 Multi-Agent Research 系统采用了这种设计。主 Agent 根据问题分出多个研究方向，Subagent 分别搜索，完成后再由主 Agent 汇总。各分支可以独立探索，适合并行；如果分支频繁依赖彼此的中间结论，或者必须反复同步完整上下文，通信成本很快就会抵消拆分带来的收益。
代码变更任务里，编码 Agent 负责修改文件并交付 Diff，测试 Agent 运行测试并返回失败信息，Reviewer 根据需求和 Diff 做检查。三个角色使用的工具和验收标准都不一样，拆开后各自有清楚的任务。如果它们只是读取同一份 Diff，再分别写一段相似的总结，增加的只是模型调用次数。
上线前还要用同一批任务做对照测试，比较单 Agent 和多 Agent 的质量、耗时、Token 与失败率。没有可衡量的收益，就先保留较简单的实现。
AgentInvest 中的四个 Agent 是怎么协作的？
以 AgentInvest 的股票分析任务为例，用户提出这样一个问题：
帮我分析一下贵州茅台现在还能不能买。
模型常识回答不了这个问题。系统需要查询实时行情、研报、财务指标、K 线和市场舆情，还要结合用户是否持仓给出建议。AgentInvest 按下面的顺序执行。
- 研究员先查询行情、研报、新闻和财务数据，交付基础研究结论与
<core_thesis>。 - 研究员完成后，技术分析师查询 K 线与技术指标，舆情分析师查询市场情绪，两个角色并行执行。
- 投资经理读取上游论点，再结合用户持仓、历史记忆和策略 Skill 生成最终建议。
外层由项目自定义的 AgentScopePipelineExecutionStrategy 控制阶段顺序。角色内部才交给 ReAct，让模型判断当前缺什么数据、调用哪个工具、拿到结果后是否继续分析。这样既能保证投研流程稳定，又没有把每个角色写成完全固定的 Prompt Chain。
进入投资经理阶段需要满足两个条件。研究员已经产出核心论点，技术分析师和舆情分析师中至少有一个成功。上游结果明显不足时，系统直接跳过投资经理，并通过 SSE 返回错误，避免模型硬凑一份看起来完整的投资建议。
研究员必须先完成，投资经理必须最后执行，只有中间两个互不依赖的角色并行。角色由多 Agent 设计确定，执行先后则由 DAG 控制。
多 Agent 应该选择哪种编排模式？
编排模式取决于谁拥有控制权、角色何时确定、任务之间有什么依赖，以及谁直接面对用户。
| 模式 | 控制方式 | 适用场景 | 主要代价 |
|---|---|---|---|
| Sequential | 代码按固定顺序调用多个 Agent | 步骤确定，前后依赖清楚 | 时延累加，灵活性有限 |
| Parallel | 代码把独立任务并行分发后归并 | 多维评审、独立检索、投票 | 状态归并和部分失败处理 |
| Router | 规则或模型把请求路由给一个或多个专家 | 业务域清楚、分类相对稳定 | 路由错误会直接选错专家 |
| Supervisor/Manager | 主 Agent 动态调用子 Agent，并保留最终控制权 | 子任务无法提前完全确定，需要统一答案 | 主 Agent 成为瓶颈，协调成本高 |
| Handoff | 当前 Agent 把控制权和必要上下文交给另一个 Agent | 客服分流、分阶段对话、专家直接服务用户 | 会话历史和权限边界更难维护 |
| Evaluator-Optimizer | 生成者和评审者循环迭代 | 有明确评分标准，迭代确实能改善结果 | 容易无限打磨，需要停止条件 |
| Group Chat | Agent 共享会话，按轮转或 Selector 依次发言 | 讨论、评审、需要相互修正的任务 | 上下文容易膨胀，停止条件难定 |
| Debate | 多个 Agent 多轮提出、质疑并修正观点 | 结论可由证据检验，分歧本身有价值 | 容易重复争论，不保证更正确 |
| Event-driven/Peer | Agent 根据消息和本地规则决定后续动作 | 跨服务、跨团队的开放协作 | 一致性、安全和调试最复杂 |
AgentInvest 使用的是 Sequential + Parallel + Aggregator 混合编排。研究员与投资经理构成前后顺序，中间的技术分析师和舆情分析师并行执行，投资经理承担最终归并。
这里没有使用 Supervisor 动态决定角色数量，也没有让某个 Agent 把用户会话 Handoff 给另一个 Agent。股票分析的主要阶段相对固定，用代码控制外层流程更稳定；需要动态判断的部分，留在各角色内部的 ReAct Loop 中处理。
这些模式可以组合。Router 选中专家后，专家仍可调用 Subagent；Supervisor 也可以先完成准备任务，再并行派发 Worker。
角色应该静态拆分还是动态委派？
静态拆分是指角色、依赖和执行路径在运行前已经确定。固定顺序、固定并行分支和条件 DAG 都属于这一类。它的好处是容易测试，超时、预算和部分失败也更好控制，适合业务步骤相对稳定的任务。
动态委派是由 Manager 或 Supervisor 根据当前问题和中间结果决定调用哪些 Agent、拆出多少子任务以及是否继续探索。Anthropic 的 Multi-Agent Research 就属于这种模式，不同问题需要调查的方向不一样，很难提前画出一张固定 DAG。
两种方式可以混用。例如，外层固定收集资料、分析和审核三个阶段，资料收集阶段再由主 Agent 根据问题创建 Subagent。审核和发布门槛仍由固定流程控制，调研方向可以在运行时扩展。
如何把子任务拆成可执行契约？
只在 Prompt 里写“你是技术调研 Agent”，角色仍然不知道要查什么、能用哪些数据，以及怎样才算完成。协调器派发任务时，要同时给出子目标和成功标准，标明依赖的上游任务、可用工具与权限，并约定输出 Schema 和产物位置。时间、Token、调用次数和失败策略也属于任务契约，由运行时负责执行。
下面的 AgentTask 展示了一个简化的任务契约。
public record AgentTask(
String taskId,
String parentTaskId,
AgentRole role,
TaskContext context,
List<AgentRole> dependencies,
Set<String> allowedTools,
String outputSchema,
int maxIters,
Duration modelTimeout,
Duration toolTimeout,
Instant deadline,
int maxAttempts) {
}实际项目还要补任务版本、幂等键、成功标准和产物位置。allowedTools、超时和重试次数由运行时强制执行，模型只接收完成当前子任务所需的信息。
怎么判断子任务能否并行？
以技术调研为例，研究问题确定后，“查官方文档”和“查论文与基准测试”可以同时开始。两边输入已经具备，也不需要读取对方的中间结论。对比结论必须等待两边材料到齐，只能放在后面。
并行分支还要避开同一权威字段。两个检索 Agent 分别提交自己的材料清单，由归并节点写最终报告；发送通知、修改代码等外部副作用也交给单一执行者，或者使用幂等与唯一约束保护。某个分支失败后是等待、降级还是终止，同样要在运行前写进成功标准。
Java 中可以用线程池、虚拟线程或结构化并发执行这些分支，具体选哪一种不是重点。编排层仍要限制最大并发数，为整个阶段设置共同的 Deadline；到期后取消未完成任务、保留已经完成的结果，再根据成功门槛决定是否进入下游。
怎么防止角色重复工作和结果缺失？
职责范围要同时落到任务和工具上。代码变更场景中，编码 Agent 负责修改工作区，测试 Agent 只运行测试并返回失败信息，Reviewer 读取 Diff、测试结果和规则清单。只改角色名称，不限制工具和输出，几个 Agent 还是会重复检查同一件事。
每个角色还要有明确的交付协议。一个通用的 RoleResult 至少可以包含结论、证据、数据时间、Artifact URI、缺失项和置信边界，协调层负责校验必填字段。结构化输出解决的是格式和交接问题，结论是否可信仍然要结合证据与时效判断。
AgentInvest 目前使用 <core_thesis> 传递核心论点，这是轻量做法，改造成本低；它也可能丢掉数据时间和关键依据。需要更强审计能力时，应该逐步替换成结构化结果，而不是继续扩大自然语言兜底规则。
Agent 之间应该怎样通信和共享状态？
Agent 之间不需要默认使用聊天消息。进程内的固定 Workflow 通常通过参数、返回值和共享状态交付结果，跨服务或需要持续协商时才增加消息和远程协议。
| 通信方式 | 怎么做 | 适合什么情况 |
|---|---|---|
| 参数和返回值 | 编排器调用 Agent，把上游结果作为下游输入 | 进程内固定 Workflow，关系简单 |
| 共享状态/黑板 | Agent 读取公共状态，只更新自己负责的字段 | 图式编排，需要多个节点逐步补全结果 |
| 消息 | 点对点发送或向 Group Chat 广播 | Agent 需要持续协商、交接或异步协作 |
| 结构化结果 | 交付带 Schema 的结论、报告或文件引用 | 结果较大，需要校验、复用和审计 |
| 远程 Agent 协议 | 通过 A2A 等协议发现 Agent、传递任务和产物 | 跨进程、跨团队或跨安全域 |
通信机制越复杂，鉴权、重试、消息顺序和重复投递也越难处理。能在方法调用中完成的交付，没有必要先改成消息系统。
共享状态只保存跨角色协作需要的信息。每个 Agent 的工具记录和 ReAct 进度留在自己的会话状态中；用户请求、租户、资源和权限通过显式的 TaskContext 传入。角色完成后，把结论、证据摘要、缺失项和 Artifact URI 写入自己负责的状态槽，编排器另外记录角色是否开始、完成、失败或超时。
网页、日志、查询结果和代码 Diff 等原始材料可以留在当前角色上下文或 Artifact 库。SSE、WebSocket 只负责把进度推给前端，不承担任务状态保存。
业务上下文最好显式传给 Agent 和工具。依赖 ThreadLocal 隐式读取任务数据，在并发、异步或远程调用后更容易串任务，也很难从方法签名看出工具用了哪些信息。
如何控制共享状态的大小？
技术调研任务中，检索 Agent 没有必要把抓取的所有网页、搜索过程和工具日志复制给 Reviewer。它可以把原始材料存入 Artifact 库，只交付结论摘要、引用、数据时间和 Artifact URI。Reviewer 需要核查某条结论时，再按 URI 读取原始证据。
摘要不能脱离证据。涉及价格、版本、法规、实验数据等时效性较强的信息，还要保留采集时间、来源和关键字段。
多 Agent 的运行状态应该记录什么？
public record AgentRunState(
String runId,
String subject,
RunStatus status,
Map<AgentRole, RoleState> roles,
Map<AgentRole, ArtifactRef> artifacts,
BudgetUsage usage,
List<FailureRecord> failures,
ArtifactRef finalOutput) {
}
public record RoleState(
AgentRole role,
TaskStatus status,
int attempt,
String providerId,
String modelName,
Instant startedAt,
Instant updatedAt,
FailureRecord lastFailure) {
}这份结构是简化示意。单 Agent 的会话状态、共享业务状态和外层 Workflow 状态要分别保存。会话存储记录模型对话与工具进度，Workflow 状态记录任务执行到了哪个角色，两者不能相互替代。
角色拆成独立服务后，再补 ownerAgentId、version、leaseUntil 和 fencingToken 处理任务接管。这些字段属于分布式 Worker 层，进程内多 Agent 不需要提前照搬。
A2A 能解决什么，不能解决什么？
多个角色运行在同一个进程时，直接方法调用通常更简单。Agent 独立部署、由不同团队维护或需要跨安全域调用后，再考虑用 A2A 统一能力发现、任务状态和产物交付。
一次 A2A 协作通常从读取 Agent Card 开始，调用方先确认远程 Agent 的能力、接口和认证要求，再创建带唯一 ID 的 Task。双方通过 Message 补充任务信息，完成后用 Artifact 交付文档或结构化结果，Context 则把相关任务和消息关联起来。
A2A 1.0 的 TaskState 除了表示未知或未指定状态的 TASK_STATE_UNSPECIFIED，还包括 TASK_STATE_SUBMITTED、TASK_STATE_WORKING、TASK_STATE_INPUT_REQUIRED、TASK_STATE_AUTH_REQUIRED、TASK_STATE_COMPLETED、TASK_STATE_FAILED、TASK_STATE_CANCELED 和 TASK_STATE_REJECTED。其中，INPUT_REQUIRED 和 AUTH_REQUIRED 都属于等待外部补充信息后继续执行的中断状态。这比只返回“成功/失败”更适合长任务。
A2A 解决的是远程 Agent 如何发现彼此、交换消息、跟踪任务和交付产物。它不会替应用决定执行拓扑，也不会自动解决内部一致性。两个 Worker 同时更新任务怎么办，超时后由谁接管，通知或退款如何避免重复执行，仍然需要业务系统自己处理。
多 Agent 的并发冲突怎么处理？
看到两个 Agent 给出了不同结果，不能简单地选一个覆盖另一个。先分清楚它们遇到的是哪一种冲突。
| 冲突类型 | 一个常见例子 | 处理方式 |
|---|---|---|
| 状态写冲突 | 两个检索 Agent 同时覆盖报告的 sources 字段 | 按角色分槽、追加集合或使用版本/CAS |
| 观点冲突 | 两个 Agent 基于不同来源得出相反结论 | 保留来源、时间和适用范围，交给归并器判断 |
| 所有权冲突 | 旧 Worker 和接管 Worker 同时提交结果 | Lease + 版本/CAS + Fencing Token |
| 副作用冲突 | 两个 Agent 重复发送通知或发起退款 | 单一执行者、幂等键和业务唯一约束 |
并行状态怎么归并？
并行 Agent 各自更新自己的状态槽，结果和错误也按角色保存。Token、耗时等计数可以通过事件汇总，最终报告和 finalOutput 只允许归并节点写入。前端事件携带角色和序号用于展示，不能反过来修改任务状态。
如果两个 Agent 都能覆盖同一个 finalOutput，线程安全容器只能保证写入过程不损坏，无法判断哪个业务结果应该保留。按角色保存结果，再由单一归并节点写权威字段，才能避免最后写入者直接覆盖其他分支。
多个 Agent 的事实结论冲突怎么办？
股票分析里的“冲突”不一定是谁算错了。技术分析师可能根据 60 日 K 线判断趋势偏多，舆情分析师却发现短期负面情绪正在升高。两条结论关注的时间范围和数据来源不同，不能简单投票决定听谁的。
如果后续要提高结论的可审计性，可以把关键观点进一步结构化。
{
"claimId": "claim-17",
"subject": "600519",
"predicate": "technical-trend",
"value": "BULLISH",
"scope": "daily-kline-60d",
"sourceTool": "get_technical_indicators",
"observedAt": "2026-08-15T10:00:00+08:00",
"evidenceStatus": "VERIFIED"
}scope 用来说明结论来自日线还是分钟线，observedAt 记录数据时间，sourceTool 说明依据来自哪个工具。投资经理归并时就能区分“中期技术趋势偏多”和“短期舆情偏空”，不必强行把它们改成同一个方向。
数据不足时，最终建议应该降低确定性。ReAct 能减少不查数据就回答的情况，但不能保证投资结论一定正确。
为什么 Lease 还要配 Fencing Token？
进程内任务能够直接取消和等待时，通常不需要分布式 Lease。角色拆成远程 Worker 后，才会遇到旧实例和接管实例同时返回的问题。
假设 Worker A 获得任务租约后发生长时间停顿。租约到期，系统把任务交给 Worker B。此时 A 恢复并继续写入，如果下游只检查“A 曾经拿到过锁”，旧结果仍可能覆盖 B 的新结果。
假设 A 获得的 fencingToken 是 7，B 接管后拿到 8。状态库把 8 记为当前可接受版本；A 恢复后仍携带 7 提交，写入条件不成立，迟到结果被拒绝。
Lease 主要解决失联 Owner 不会永久占有任务，Fencing Token 或版本校验解决旧 Owner 恢复后的迟到写入。只给锁设置 TTL，并不能自动保护所有外部资源。
任务生命周期应该如何建模？
角色状态应该由外层执行策略管理，不能让模型自由填写。编排器需要根据依赖任务的状态决定下游能否运行，下面是一种通用的状态机设计。
| 状态 | 含义 | 允许的主要后继状态 |
|---|---|---|
PENDING | 已创建，依赖尚未满足 | READY、CANCELED |
READY | 可以被调度 | RUNNING、CANCELED |
RUNNING | 角色正在执行 | WAITING_INPUT、SUCCEEDED、RETRYABLE_FAILED、FINAL_FAILED |
WAITING_INPUT | 等待用户输入、审批或授权 | READY、CANCELED、FINAL_FAILED |
RETRYABLE_FAILED | 确认是可重试故障 | READY、FINAL_FAILED |
SUCCEEDED | 输出已保存并通过基本校验 | 终态 |
FINAL_FAILED | 无法自动恢复 | 终态或人工重新开启 |
CANCELED | 被用户或系统取消 | 终态 |
在当前单进程流水线里，按角色保存状态就能完成主要控制。以后拆成分布式服务，提交结果时还要同时校验任务状态、Owner、Fencing Token 和版本：
UPDATE agent_task
SET status = 'SUCCEEDED',
artifact_uri = :artifactUri,
version = version + 1
WHERE task_id = :taskId
AND status = 'RUNNING'
AND owner_agent_id = :ownerAgentId
AND fencing_token = :fencingToken
AND version = :expectedVersion;受影响行数为 0，说明任务已经被接管、取消或发生并发更新。Worker 不能继续“补写”，而应重新读取状态。
多 Agent 失败后如何恢复？
多 Agent 系统里，失败之后不能直接统一重试。输入不完整、权限不足、搜索接口超时和结果缺少证据，处理方式完全不同：
| 失败类型 | 一个常见例子 | 建议动作 |
|---|---|---|
| 输入/契约错误 | 缺少目标资源，输出不符合 Schema | 修正一次或立即失败，不做网络重试 |
| 权限/业务拒绝 | 客服 Agent 没有退款权限 | 终止调用或等待用户、管理员授权 |
| 瞬时故障 | 搜索接口连接重置、短期限流、临时 5xx | 有界重试，退避加抖动 |
| 调用超时 | 模型或工具超过本次调用预算 | 终止当前调用，按角色策略处理 |
| 角色超时 | 一个调研分支超过整个阶段的 Deadline | 取消未完成任务，保留成功结果 |
| 质量不达标 | 报告缺少引用、必填字段或可核验的产物 | 修正一次、降级或跳过下游 |
| 确定性代码错误 | 事件解析失败、状态迁移非法 | 快速失败、告警、修代码 |
恢复动作要落到真正负责的层级。角色执行器处理模型、工具和迭代次数，编排器决定是否取消其他分支、保留哪些结果以及下游能否继续。角色拆成远程 Worker 后，调度器再处理 Lease、任务接管和迟到结果。
如何限制重试次数和总预算？
预算至少要分成四层：单次模型调用、单次工具调用、单个 Agent 的迭代次数，以及整条任务或某个阶段的 Deadline。前几层限制局部消耗，最外层负责保证任务不会因为内部重试一直拖延。
重试预算还应该只有一个主要持有者。模型 SDK、角色执行器和网关如果各自独立重试，同一次故障会放大成多轮嵌套调用。编排层需要记录已经消耗的尝试次数、Token、时间和成本，重试前先检查剩余预算。
Checkpoint 应该保存在哪里？
检查点适合放在结果已经落盘、可以独立校验的位置。技术调研中的检索阶段完成后，先保存带引用的材料清单；数据分析完成后，保存可以复用的 Artifact；Reviewer 结束后，再记录通过或退回原因。需要用户授权的动作也要在暂停前保存待执行参数。
单个 Agent 的会话状态和外层 Workflow 检查点是两类数据。前者记录对话、工具调用和角色内部进度；后者还要保存当前阶段、已完成角色、产物引用、模型与 Prompt 版本、预算使用和失败记录。
只把聊天记录写入 Redis，并不能自动从“两个检索任务已经完成、一个数据分析任务超时”的位置继续整条 Workflow。恢复时必须能重建依赖关系和已确认产物。
恢复通常也不是从某一行 Java 代码继续。一个角色可能从 ReAct 节点或工具调用前重新执行，因此读取类工具可以有界重试；如果以后加入交易、通知等外部副作用，还要额外保证幂等。
Agent 超时后怎么处理？
进程内并发可以在阶段 Deadline 到期后取消未完成的 Future，记录超时状态并保留已经完成的产物。取消只是向本地任务发出停止信号；如果 Agent 已经调用远程模型或外部工具，还要确认远端请求是否结束，以及是否产生了副作用。
角色拆成独立服务后，调用方超时也不能证明原 Worker 已经停止。调度器发现 Lease 过期时，先查询 Worker 和下游系统是否已经产生可用 Artifact。产物存在且校验通过，任务可以直接推进；结果仍然未知时，调度器递增 attempt 和 fencingToken，把任务放回 READY，新 Worker 再从最近的 Checkpoint 和 Artifact URI 恢复。
原 Worker 随后恢复并提交结果时，旧 Fencing Token 或版本会让这次写入失败。任务超过最大尝试次数后进入 FINAL_FAILED，现场和已完成产物继续保留，等待人工处理。
除了 lastHeartbeatAt，还要记录 lastProgressAt，用于识别“进程活着但 ReAct 一直兜圈子”的情况。
部分失败时，是等、降级还是返回部分结果？
处理方式由任务的成功标准决定，并在运行前写进任务契约。必答维度缺失时可以让整体失败；多个同类分支只需达到规定数量时，可以按 Quorum 归并；允许部分完成的任务则返回已有结果并标出缺失项。备用工具、模型和数据源属于 Fallback，高价值或高风险任务可以转人工补齐。
AgentInvest 采用的是带门槛的 Best-effort：研究员必须成功，技术分析师和舆情分析师至少成功一个，投资经理才会继续。技术面失败但舆情结果可用时，投资经理可以根据已有结果继续，运行状态仍要保留技术面失败，不能把这次分析当成全量成功。两个补充角色都失败时，则不让投资经理硬凑结论。
外部副作用怎么补偿？
退款、发邮件、创建工单、修改代码和发布版本都会改变外部状态。这些操作可以统一交给 Action Executor，负责分析和生成文本的 Agent 只提交动作意图与参数。
Action Executor 收到请求后先校验身份、权限和风险等级，高风险动作等待人工确认。执行时使用幂等键和业务唯一约束，并按业务需要记录事务、Outbox 或 Saga。动作完成后再核验外部状态，保存审计记录；失败时根据已执行步骤选择补偿或转人工。
补偿不是数据库回滚的同义词。“发送了一封邮件”通常无法真正撤回，只能再发送更正通知。补偿本身也可能失败，需要幂等、重试和人工入口。详细原理可以看 分布式事务。
Human-in-the-loop 如何暂停和恢复任务？
HITL 发生在任务执行过程中。客服 Agent 判断订单可以退款，但金额超过自动审批阈值时，编排器把任务转为 WAITING_INPUT，保存 Checkpoint、退款依据和待执行参数，然后释放当前计算资源。
审批人稍后打开任务，可以批准、拒绝或修改参数。系统使用原来的 runId/taskId 恢复运行，同时重新校验审批人权限、订单状态、退款金额和任务版本。等待期间任何一个条件发生变化，都要让原审批失效。
发布代码、删除数据等高风险操作可以使用同样的暂停方式。Agent 缺少必要输入、需要补充工具授权，或者多个角色的结论无法自动归并时，也可以进入等待状态。框架负责中断和恢复机制，业务代码决定谁能审批、审批范围和有效期。
如何观测一次多 Agent 运行？
多 Agent 的一次运行会派生出多个任务，Trace 也应该保留这种父子关系：
ResearchRun
├── Planner
│ └── ModelCall
├── SourceResearchStage
│ ├── OfficialDocsResearcher
│ │ └── WebSearchTool
│ └── PaperResearcher
│ └── PaperSearchTool
├── Analyst
│ └── DataAnalysisTool
└── Reviewer
└── ModelCall根 Span 表示整次 ResearchRun，记录 runId、租户、任务主题以及代码和 Prompt 版本。每个角色任务作为子 Span，带上父任务 ID、Agent 角色、模型、Skill、状态、attempt 和停止原因。模型与工具调用继续挂在角色 Span 下面，记录参数与结果摘要、错误类型、Token、成本和耗时。
有了父子关系，排查时才能看出时间花在队列等待、角色执行还是最终归并，也能确认下游为什么被跳过。一次重试要继续挂在原角色任务下，并保留新的 attempt，不能伪装成一次全新的正常调用。
前端可以通过 SSE 或 WebSocket 展示角色开始、工具调用、结果摘要和最终输出，但事件流不应该成为任务状态的事实源。断线恢复、重放和审计仍然要读取持久化的 Agent 状态、Workflow 运行记录和 Artifact。
模型路由结果也要在调用开始时写入 Trace，记录实际使用的 provider 和 model。执行结束后重新做一次路由再补日志，可能把观测数据记到另一个模型上。
OpenTelemetry 的 GenAI 语义约定列出了 invoke_agent、invoke_workflow、execute_tool 等操作名，以及 Agent、Conversation、Tool 和 Token 使用量相关属性，这些约定目前仍处于 Development 状态。工具参数和结果可能包含敏感数据，规范也明确提醒这类字段不宜默认记录。生产系统应使用摘要、脱敏、采样和分级访问。
多 Agent 需要哪些特有指标？
任务失败时，先看各角色的成功率、超时率和重试分布，再下钻到模型与工具的错误率和 P95。某个角色频繁触发 ReAct 迭代上限，通常会同时拉高 Token、成本和阶段耗时。
并行阶段还要记录队列等待、实际并发数和最慢分支耗时。角色交付后，继续统计结构化结果校验失败、返工和下游跳过的次数。最终再看整次任务的 Token、成本、P95，以及首条前端事件和完整结果分别等待了多久。
多个分支已经并行，端到端耗时仍然由最慢分支和最终归并决定。并行后没有变快时，可以检查并发限额、外部接口限流、最长工具调用和归并节点耗时。
多 Agent 怎么评测？
ReAct 每次选择的工具顺序可能不同，评测不需要逐节点匹配一条固定轨迹。先检查子 Agent 是否按任务契约交付结果，再检查编排器是否遵守依赖、并发和跳过条件，最后确认归并节点有没有遗漏上游冲突、引用或失败信息。
技术调研任务可以用代码检查引用格式、来源时间、必要字段和 Artifact 是否存在，再判断结论能否被材料支持。工具注册、角色权限、任务依赖、并发上限、超时取消和上下文隔离都有确定规则，使用单元测试与集成测试验证即可。
恢复能力要靠故障注入验证。让一个检索 Agent 超时，观察其他产物是否保留，Reviewer 是否按照成功门槛继续；让工具返回错误数据，检查角色会不会错误地标记成功；提供相互冲突的来源，确认归并节点保留分歧和证据。
最终建议的质量仍然需要固定任务集、多次运行和人工校准。Task、Trial、Grader、Outcome 与 Transcript 的定义见 AI 应用评测体系。
多 Agent 还需要对照组。可以让单 Agent 使用全部工具，再分别运行固定多 Agent Workflow 和 Supervisor 动态编排，三组使用相同输入快照、模型和预算。比较必要工具调用率、证据覆盖、事实错误、P95、Token 和成本后，才能判断拆分是否真的带来收益。
角色消融也很直接。去掉一个检索 Agent、Reviewer 或归并节点重新评测，如果质量、覆盖率和失败恢复几乎不变，这个角色很可能只增加了调用次数。
多 Agent 设计最容易犯哪些错误？
角色名称能直接作为 Agent 边界吗？
研究员、分析师和 Reviewer 这些名称只说明了角色分工，不能证明系统已经拆成多个 Agent。假如它们共用一份上下文和一组工具，每一步都只是改写上一步的文本，这套实现仍然更接近 Prompt Chain。
判断是否真的拆出了多个 Agent，可以看每个角色能否独立接收子目标，在受限的上下文和工具中完成任务，并按约定的 Schema 交付结果。缺少这些差异，只换一段 System Prompt，系统并没有获得清晰的 Agent 边界。
多 Agent 一定要并行吗？
AgentInvest 中，研究员必须先产出基础结论，投资经理也必须等上游任务完成后才能汇总，只有互不依赖的技术分析和舆情分析适合并行。并行由任务依赖决定，与系统里有几个 Agent 没有必然关系。Reviewer、Handoff 以及按回合讨论的 Group Chat 都可能顺序执行。没有确认输入是否就绪、结果如何归并就强行并发，只会增加状态和失败处理的复杂度。
确定性步骤需要交给 Agent 吗？
输入是否合法、当前角色能调用哪些工具、上游产物是否齐全，这些判断都有明确规则，交给代码和状态机处理即可。超时取消、重试次数和阶段顺序也应该由运行时强制执行。Agent 更适合处理需要语义判断的工作，例如选择检索方向、解释相互矛盾的材料，以及综合多个角色的结论。确定性规则塞进 Prompt，不但更慢，还会把原本可以稳定复现的行为变成概率问题。
所有 Agent 都应该共享完整上下文吗？
技术调研中，检索 Agent 可能抓取几十个页面，还会产生多轮工具记录。Reviewer 通常只需要结论、引用、缺失项和 Artifact URI，没有必要重放整个检索过程。确实需要核对原始材料时，再按 URI 读取。每个 Agent 只接收自己的任务、可用工具和必要的上游结果，这样既能控制 Token，也能减少无关信息对当前角色的干扰。
并行写冲突能交给模型商量吗？
需要先区分结论冲突和写入冲突。两个分析 Agent 对同一份数据给出不同判断，可以保留各自的证据，再由 Reviewer 或归并节点判断。两个分支同时覆盖 finalOutput，则是并发写入问题，模型讨论解决不了。
并行结果应当按角色分开保存，最终报告只允许归并节点写入。发送通知、创建工单、退款等操作还会产生外部副作用，需要继续用幂等键、唯一约束和事务保护，不能指望 Prompt 避免重复执行。
只设计正常执行路径会有什么问题？
假设两个检索 Agent 并行执行，一个成功，另一个超时。此时是保留已有材料继续交给 Reviewer，还是判定资料不全并结束任务，取决于事先约定的成功门槛。任务设计时要覆盖部分成功、超时、取消、缺少必要产物和下游跳过等状态。否则，流程图上的正常链路虽然能跑通，线上遇到第一个异常时，编排器却不知道该继续、降级还是停止。
为什么不能只验收最终回复？
即使某个检索工具调用失败，模型仍然可能生成一份语句流畅、结构完整的报告。只看最终文字，很容易把这种结果当成成功。
验收时还要核对必要工具是否调用成功、每个角色是否按契约交付、引用能否回到原始材料，以及归并节点有没有隐瞒失败分支。最终回复只是其中一项产物，不能代替对执行过程的验收。