Skip to content

第 12 章:异常处理与恢复 ​

要让智能体在多样而真实的环境中可靠运行,就必须能够应对意外情况、错误和故障。正如人类会适应突发障碍一样,智能体也需要稳健的机制来发现问题、启动恢复流程,或至少在无法恢复时实现受控失败。这一基本要求,正是「异常处理与恢复」模式的根基。

该模式关注的是如何打造高度稳健、富有韧性的智能体,使其在面对各种困难和异常时,仍能维持功能连续性与运行完整性。它强调事前预案与事后响应并重,以确保系统即使遭遇挑战,也能持续运行。这种适应能力,是智能体在复杂、不可预测环境中成功发挥作用的关键,也有助于提升其整体效能与可信度。

只有具备处理意外事件的能力,这些 AI 系统才称得上既智能又稳定、可靠,也更容易赢得人们对其部署与实际表现的信任。若再配合完善的监控与诊断工具,智能体就能更快定位并处理问题,预防潜在中断,并在环境变化时保持平稳运行。这类能力对于维持 AI 系统运行的完整性与效率尤为关键,也进一步增强了其应对复杂性与不确定性的能力。

该模式有时也会与「反思」结合使用。例如,当初次尝试失败并抛出异常时,反思过程可以分析失败原因,再用改进后的策略(如优化提示词)重新尝试任务,从而化解问题。

异常处理与恢复模式概览 ​

「异常处理与恢复」模式关注的是智能体管理运行故障的能力。它要求系统预先考虑潜在问题,例如工具报错、服务不可用等,并设计相应的缓解策略,包括错误日志、重试、回退、优雅降级和通知等。此外,还需要建立恢复机制,如状态回滚、故障诊断、自我纠正与升级处置,帮助智能体尽快恢复到稳定运行状态。落实这一模式后,智能体的可靠性与鲁棒性会显著提升,从而能够在不可预测的环境中持续运行。典型应用包括聊天机器人处理数据库故障、交易机器人应对金融异常,以及智能家居智能体处理设备失灵等,确保系统即使遭遇复杂问题和运行故障,也能继续提供有效服务。

智能体「异常处理与恢复」的关键组成

智能体异常处理与恢复的关键组成部分

图 1:智能体「异常处理与恢复」的关键组成部分

错误检测: 即在问题出现时及时而准确地识别运行异常。常见信号包括:无效或格式错误的工具输出、特定 API 错误(如 404「未找到」、500「内部服务器错误」)、服务或 API 响应时间异常过长,以及明显偏离预期格式、前后不一致或语义混乱的回复。此外,也可以借助其他智能体或专门的监控系统进行更主动的异常检测,在问题扩大之前提前拦截。

错误处理: 一旦检测到错误,就需要有周密的响应方案。这包括:将错误详情完整写入日志,便于后续调试和分析(日志记录);对操作或请求进行重试,并在必要时适度调整参数,这对瞬时性故障往往尤其有效(重试);改用替代策略或备用路径,以尽可能保留部分能力(回退);如果暂时无法完全恢复,则通过降级运行继续提供有限价值(优雅降级);而在需要人工介入或跨系统协同时,则应及时向人类操作员或其他智能体发送告警(通知)。

恢复: 这一阶段的目标,是在出错之后把智能体或系统恢复到稳定、可运行的状态。常见手段包括:撤销近期变更或事务,以消除错误带来的影响(状态回滚);深入分析故障根因,以防止类似问题再次发生;通过自我纠正或重新规划,调整计划、逻辑或参数,从而避免重蹈覆辙;而在问题复杂或影响严重时,将其移交给人类操作员或更高层级系统处理(升级),往往才是更稳妥的选择。

稳健地实施异常处理与恢复,可以把原本脆弱、不可靠的智能体,塑造成能够在高挑战、高不确定性环境中持续运转的可靠组件。这不仅有助于维持系统能力在线、降低停机时间,也能让智能体在面对意外问题时,仍然提供更平稳、更可预期的使用体验。

实践应用与用例 ​

对于任何部署在真实环境中的智能体而言,只要运行条件不可能始终完美,异常处理与恢复就不可或缺。

  • 客服聊天机器人: 如果聊天机器人在访问客户数据库时发现数据库暂时不可用,它不应该直接崩溃。更合理的做法是识别 API 错误,向用户说明这是临时性问题,建议稍后重试,或将请求升级给人工客服。
  • 自动化金融交易: 交易机器人可能会遇到「资金不足」「市场已闭市」等异常。它需要记录日志,避免对同一笔无效交易反复重试,并在必要时通知用户或调整自身策略。
  • 智能家居自动化: 控制灯具的智能体可能因为网络问题或设备故障而无法开灯。它应能检测到失败,先尝试重试;如果仍然失败,则通知用户并建议人工干预。
  • 数据处理智能体: 在批量处理文档时,如果遇到损坏文件,智能体应跳过该文件、记录错误、继续处理其他文件,并在最后汇总报告被跳过的内容,而不是让整个流程完全停摆。
  • 网页抓取智能体: 当网页抓取智能体遇到验证码、页面结构变化,或 404、503 等服务器错误时,需要以稳妥方式处理。这可能包括暂停任务、切换代理,或报告具体失败的 URL。
  • 机器人与制造: 机械臂在执行装配任务时,可能会因为对位偏差而无法抓取零件。它需要根据传感器反馈检测失败,尝试重新校准并重试;如果问题持续存在,则应告警人工操作员,或切换到其他部件/流程。

简言之,这一模式是构建「不仅聪明,而且在真实世界的复杂条件下依然可靠、有韧性、易于使用」的智能体的基础。

动手代码示例(ADK) ​

异常处理与恢复直接关系到系统的鲁棒性与可靠性。以工具调用失败为例,智能体就必须知道该如何应对。这类失败既可能源于参数或输入不正确,也可能来自工具所依赖的外部服务本身出现故障。

python
from google.adk.agents import Agent, SequentialAgent

# Agent 1: Tries the primary tool. Its focus is narrow and clear.
primary_handler = Agent(
    name="primary_handler",
    model="gemini-2.0-flash-exp",
    instruction="""
    Your job is to get precise location information. Use the get_precise_location_info
    tool with the user's provided address.
    """,
    tools=[get_precise_location_info],
)

# Agent 2: Acts as the fallback handler, checking state to decide its action.
fallback_handler = Agent(
    name="fallback_handler",
    model="gemini-2.0-flash-exp",
    instruction="""
    Check if the primary location lookup failed by looking at state["primary_location_failed"].
    - If it is True, extract the city from the user's original query and use the get_general_area_info tool.
    - If it is False, do nothing.
    """,
    tools=[get_general_area_info],
)

# Agent 3: Presents the final result from the state.
response_agent = Agent(
    name="response_agent",
    model="gemini-2.0-flash-exp",
    instruction="""
    Review the location information stored in state["location_result"]. Present this information
    clearly and concisely to the user. If state["location_result"] does not exist or is empty,
    apologize that you could not retrieve the location.
    """,
    tools=[],  # This agent only reasons over the final state.
)

# The SequentialAgent ensures the handlers run in a guaranteed order.
robust_location_agent = SequentialAgent(
    name="robust_location_agent",
    sub_agents=[primary_handler, fallback_handler, response_agent],
)

上述代码借助 ADK 的 SequentialAgent 和三个子智能体,构建了一条稳健的位置检索链路。primary_handler 首先调用 get_precise_location_info,尝试获取精确位置信息;fallback_handler 则通过状态变量判断主路径是否失败,若失败,就从用户原始查询中提取城市名称,再调用 get_general_area_info。最后的 response_agent 负责读取状态中存储的位置结果,并以清晰简洁的方式呈现给用户;如果没有取到结果,则向用户礼貌致歉。SequentialAgent 保证这三个子智能体按照既定顺序执行,从而形成一种分层检索与回退的处理机制。

一览 ​

是什么: 运行在真实环境中的智能体,难免会遭遇意外情况、错误和系统故障。无论是工具失灵、网络波动,还是输入数据异常,都可能削弱其完成任务的能力。如果缺乏结构化的问题处理方式,智能体就会显得十分脆弱,一旦遇到突发问题便可能整体失效,因此难以用于那些对稳定性要求很高的关键或复杂场景。

为什么: 「异常处理与恢复」为构建鲁棒、富有韧性的智能体提供了一套标准化方法,使其能够预见、应对并从运行故障中恢复。它既包括主动检测机制,例如监控工具输出与 API 响应;也包括具体的应对策略,例如记录诊断日志、对瞬时故障进行重试、启用回退机制等。对于更严重的问题,它还规定了恢复路径,例如回退到稳定状态、调整计划进行自我纠正,或将问题升级给人工操作员。通过这种系统化的处理方式,智能体能够更好地保持运行完整性、从失败中学习,并在不确定环境中持续可靠地工作。

经验法则: 只要智能体运行在动态、真实的环境中,而系统故障、工具异常、网络波动或不可预测输入都有可能发生,并且可靠性又是硬性要求,就应当采用这一模式。

图示摘要:

异常处理模式

异常处理模式

图 2:异常处理模式

要点 ​

可重点记住:

  • 要构建鲁棒、可信的智能体,异常处理与恢复是不可缺少的能力。
  • 这一模式涵盖错误检测、妥善处置以及恢复路径设计。
  • 在检测层面,可以结合工具输出校验、API 错误码判断以及超时机制等手段。
  • 在处理层面,常见策略包括日志记录、重试、回退、优雅降级和通知。
  • 在恢复层面,则重点依赖诊断、自我纠正或升级处置,以重新回到稳定运行状态。
  • 落实这一模式后,智能体即使身处充满不确定性的真实环境,也能持续交付价值。

结语 ​

本章介绍了「异常处理与恢复」模式,这是构建鲁棒、可依赖智能体时不可或缺的一环。内容涵盖了如何识别和管理意外问题、如何采取适当响应,以及如何将系统恢复到稳定运行状态;同时也讨论了从错误检测,到日志、重试、回退等处理机制,再到恢复正常功能的具体策略。文中还通过跨领域的实际应用场景,展示了这一模式在应对真实世界复杂性与潜在故障时的重要价值,以及异常处理能力如何增强智能体在动态环境中的可靠性与适应性。

参考资料 ​

  1. McConnell, S. (2004). 《代码大全(第 2 版)》(Code Complete (2nd ed.)). Microsoft Press.
  2. Shi, Y., Pei, H., Feng, L., Zhang, Y., & Yao, D. (2024). 《面向多智能体强化学习的容错方法》(Towards Fault Tolerance in Multi-Agent Reinforcement Learning). arXiv preprint arXiv:2412.00534.
  3. O'Neill, V. (2022). 《利用智能迁移提升异构多智能体物联网系统的容错性与可靠性》(Improving Fault Tolerance and Reliability of Heterogeneous Multi-Agent IoT Systems Using Intelligence Transfer). Electronics, 11(17), 2724.