内容纲要
导语
真实环境充满网络抖动、工具失效、脏数据、权限异常等不可预测因素，缺乏异常处理与恢复的智能体脆弱且难以信任。异常处理与恢复模式通过主动检测、优雅降级、备用路径与恢复协议，让智能体在“出错—诊断—修复”闭环中维持服务连续性。本文总结模式结构、典型场景、设计要点与ADK实战，帮助你为智能体构建可检测、可控、可恢复的韧性。
TL;DR
- 核心：异常处理与恢复模式通过检测（Detect）、处理（Handle）、恢复（Recover）、学习（Improve）四阶段，构建“出错—诊断—修复”闭环。
- 价值：在真实环境中为智能体提供弹性，确保故障可检测、可控、可恢复，提升可靠性与用户信任。
- 场景：多工具流水线、多Agent协作、对话客服Agent、自动化运营/IoT等对可靠性要求高的场景。
- 设计：多层监控、结构化状态、重试策略、备用/降级路径、恢复协议、诊断与学习。
- 实战：ADK <code>SequentialAgent</code> 示例展示主处理器 + 备用处理器 + 响应处理器的“检测-降级-合并”流水线。
是什么：检测→处理→恢复→学习的四阶段模式
| 阶段 | 关键动作 | 设计提示 |
|---|---|---|
| 检测 (Detect) | 监控 API 状态码、超时、schema 校验、异常日志 | 为每个工具定义健康检查 & 失败阈值 |
| 处理 (Handle) | 重试、备用工具、优雅降级、人工介入通知 | 区分可恢复/不可恢复错误，采用指数退避重试 |
| 恢复 (Recover) | 回滚状态、重建上下文、重新规划任务 | 保存检查点、利用记忆/日志恢复上下文 |
| 学习 (Improve) | 聚合异常样本、更新策略或护栏 | 将异常写入知识库，驱动后续优化 |
适用范围：生产系统、企业工作流、多工具编排、对话客服、财务/医疗/法律等敏感场景。
为什么：典型场景与价值
- 多工具流水线：某个 API 失败时自动切换到降级工具或缓存数据，避免全链路失败。
- 多 Agent 协作：通过状态变量与故障信号通知下游角色，例如 ADK <code>SequentialAgent</code> 中由 <code>fallback_handler</code> 接力完成粗粒度查询。
- 对话/客服 Agent：响应失败时回退到标准告警话术，并记录日志供人工跟进。
- 自动化运营/IoT：设备数据异常触发自检任务，必要时升级到人类运维。
价值总结：
- 避免单点故障导致系统崩溃
- 缩短恢复时间，保障SLA
- 记录异常样本，驱动持续优化
- 提升用户信任与体验
怎么做：设计要点与工程实践
多层监控
- 接口超时、内容校验、资源使用、业务 KPI 共同组成告警信号
- 可视化仪表盘 + 告警通知
结构化状态
- 在对话/任务状态中记录 <code>is_primary_success</code>、<code>fallback_reason</code> 等字段
- 统一状态格式便于决策与审计
重试策略
- 根据错误类型选择立即重试、指数退避或放弃
- 限制最大次数防止重试风暴
备用/降级路径
- 预设“高精度→低精度”“实时→缓存”“自动→人工”多级兜底
- 确保备用路径经过演练与监控
恢复协议
- 定义回滚点（检查点）
- 重置工具上下文或重新规划子任务
- 结合记忆/日志恢复上下文
诊断与学习
- 将异常样本、日志集中到观察面板
- 触发反思 Agent 或模型更新
- 把高频故障纳入优先级排序与规划环节
落地清单
- 分类错误源：工具、网络、数据、权限、逻辑，分别制定处理策略。
- 标准化响应：为每类异常准备模板 replies、日志格式、告警渠道。
- 可观测性：在每个节点记录输入、输出、耗时与错误堆栈，方便回放。
- 演练恢复：定期注入故障（混沌工程），验证备用链路、人工介入通道是否可用。
- 闭环改进：将异常案例纳入记忆/知识库，驱动后续规划、优先级或工具选型调整。
常见错误与排错
| 问题 | 症状 | 修复建议 |
|---|---|---|
| 可恢复/不可恢复未区分 | 不断重试导致雪崩 | 按错误来源+影响面+备用路径判定，仅对可恢复错误重试 |
| 多次重试仍失败 | 系统阻塞、用户等待 | 触发降级或人工升级，锁定任务防止重复执行 |
| 静默失败 | 系统无响应，难以排查 | 强制工具返回结构化状态（成功/失败/原因/重试建议） |
| 恢复后不一致 | 数据错乱 | 使用幂等接口、状态版本号、事务日志验证恢复 |
| 缺少专用异常监控 | 故障传播 | 引入“守护 Agent”或独立监控服务，执行补救脚本 |
FAQ
Q1：如何区分可恢复和不可恢复错误？
A：根据错误来源、影响范围、是否有替代路径判定。可恢复错误进入自动重试，不可恢复错误直接降级或升级人工。
Q2：多次重试仍失败怎么办？
A：触发降级方案或人工升级，同时锁定任务防止重复执行。
Q3：如何避免静默失败？
A：所有工具返回结构化状态，包含成功/失败、原因、重试建议。
Q4：恢复后如何保证一致性？
A：通过幂等接口、状态版本号、事务日志和自动化测试验证恢复成功。
Q5：是否需要专用异常 Agent？
A：在复杂系统中，可引入“守护 Agent”监控全局状态、协调补救脚本，并向运营团队告警。
总结
异常处理与恢复模式通过检测、处理、恢复、学习四阶段，让智能体具备“可检测、可控、可恢复”的韧性：遇到故障能识别问题、自动降级或切换备用路径、恢复状态并记录经验。配合多层监控、结构化状态、重试策略、降级方案、恢复协议和诊断学习，智能体可以在真实环境中持续运行并不断提升可靠性。结合护栏安全、评估监控、目标设定等模式，可构建生产级可用的智能体系统。