当 Agent 失联在凌晨三点：AI Agent 的可靠性工程

张晋涛 CNCF Ambassador、Microsoft MVP

张晋涛（Jintao Zhang），CNCF Ambassador、Microsoft MVP，现任职于 Kong，长期活跃于 Kubernetes 与云原生社区，PyCon China 组委会成员。同时是开源 AI Agent 项目 AnkaLoop 的作者：一个长期在线、带工具执行的个人 Agent。本议题中的全部故障档案与恢复代码，都来自这个项目数月以来在真实基础设施上的运行记录。

摘要

基于开源 AI Agent AnkaLoop 的真实故障档案，给出五种生产环境事故图鉴，以及从数据库习得的 3 种解法。

详情

凌晨三点，你的 AI Agent 没有崩溃、没有报错，它只是安静地不再回应。当 LLM 应用从 demo 走向长期在线服务，失败模式会从"代码有 bug"变成"系统在你看不见的地方慢慢变质"：长连接被静默杀死、内存被遗留文件吃光、Agent 改坏自己的配置。本议题基于开源 AI Agent（AnkaLoop）的真实故障档案，给出五种生产环境遭遇的事故图鉴，以及从数据库习得的 3 种解法，WAL 的 intent-before-effect、fail-closed 恢复、checkpoint 与 journal 的取舍等内容。帮大家更好的理解 Agent 以及为 Agent 可靠性增加一些思路。