手搓生产级 AI Agent 系统（9）：Checkpoint、Human-in-the-Loop与断点恢复
文章摘要
实现步骤级Checkpoint、事件记录、人工审批、中断恢复和副作用幂等。
一、本篇目标
- 保存可恢复状态
- 支持人工中断
- 避免重复副作用
- 恢复兼容流程版本
- 完整审计
二、为什么Demo方案无法直接进入生产
长任务不可避免遇到重启、超时、人工等待和外部系统不确定状态。
生产系统需要把模型调用放入完整控制面，而不是让Controller直接拼Prompt、选择模型并处理异常。
三、总体架构
AgentState → Checkpoint + EventLog → Approval → ResumeRouter
4、Checkpoint模型
Checkpoint模型是本篇生产架构的关键组成部分，需要显式定义输入、输出、状态、错误边界和观测字段。
Checkpoint checkpoint = checkpointRepository.load(taskId);
Step next = workflow.next(checkpoint.completedSteps());
StepResult result = executor.execute(next, checkpoint.state());
checkpointRepository.save(checkpoint.advance(next, result));
5、副作用幂等
副作用幂等是本篇生产架构的关键组成部分，需要显式定义输入、输出、状态、错误边界和观测字段。
Checkpoint checkpoint = checkpointRepository.load(taskId);
Step next = workflow.next(checkpoint.completedSteps());
StepResult result = executor.execute(next, checkpoint.state());
checkpointRepository.save(checkpoint.advance(next, result));
6、人工审批
人工审批是本篇生产架构的关键组成部分，需要显式定义输入、输出、状态、错误边界和观测字段。
Checkpoint checkpoint = checkpointRepository.load(taskId);
Step next = workflow.next(checkpoint.completedSteps());
StepResult result = executor.execute(next, checkpoint.state());
checkpointRepository.save(checkpoint.advance(next, result));
7、恢复与版本兼容
恢复与版本兼容是本篇生产架构的关键组成部分，需要显式定义输入、输出、状态、错误边界和观测字段。
Checkpoint checkpoint = checkpointRepository.load(taskId);
Step next = workflow.next(checkpoint.completedSteps());
StepResult result = executor.execute(next, checkpoint.state());
checkpointRepository.save(checkpoint.advance(next, result));
8、生产治理要求
- 配置、Prompt、模型和数据版本必须进入Trace
- 权限、预算和风险规则由业务代码强制执行
- 外部调用设置全链路Deadline
- 重试与副作用隔离
- 所有关键失败形成可回放样本
9、测试策略
- 确定性领域逻辑单元测试
- 外部Provider契约测试
- 黄金数据集质量评测
- 限流、超时和宕机故障注入
- 灰度与回滚演练
10、上线检查清单
□ 接口契约稳定
□ 租户隔离通过攻击测试
□ 版本可追踪
□ 成本与质量可观测
□ 异常有降级和人工兜底
阶段性验收标准
本篇围绕“手搓生产级 AI Agent 系统（9）：Checkpoint、Human-in-the-Loop与断点恢复”建设的能力，应通过以下验收后再进入下一阶段：
核心接口契约稳定
关键状态可以持久化和恢复
租户、用户和权限边界通过攻击测试
外部超时、限流和宕机有明确降级
模型、Prompt、工具和数据版本可追踪
质量、延迟、成本和错误均可观测
除正常流程外，还应覆盖重复请求、并发更新、部分失败、服务重启、回调乱序、权限撤销和配置回滚。对于包含真实副作用的步骤，必须证明重试和恢复不会重复执行。
生产运行中的持续治理
系统上线后要把线上失败、人工接管和用户负反馈持续回流到测试集。每次模型、Prompt、工具或索引变化都运行同一基线，并通过影子流量或金丝雀验证真实分布。
建议按周复盘高成本任务、重复调用、低置信输出和人工修订原因；按月复审权限、数据保留、模型能力目录和降级策略。企业AI工程不是一次性开发，而是一套持续测量、修正和演进的运行体系。
总结
生产Agent必须把中断视为正常状态，并确保恢复不会重复执行真实业务动作。
下一篇将继续实现：
手搓生产级 AI Agent 系统（10）：多Agent协作、Supervisor与共享状态
延伸阅读
如果你正在关注企业级 AI 应用、Spring AI、RAG、Agent 与大模型工程化落地，欢迎访问 智元界：
https://www.zyentor.com/
智元界将持续分享可运行的技术实战、架构设计、问题排查与企业应用案例。