# Agent在第120单崩溃，Temporal保住前119单

> 持久化执行把检查点和重试交给平台，省下 119 次重复的 LLM 调用，也避免向客户 ERP 重复写入。

原文: https://fdetimes.net/zh/tools/temporal-durable-execution-ai-agents/

设想一个 Agent 正在为一家物流客户核对 200 笔订单。每笔订单，它先调用 LLM 读取单据，再把结果写入客户的企业资源计划（ERP）系统。处理到第 120 单时 ERP 卡死，运行 Agent 的 worker 也随之宕机。

如果整个循环只存在于内存中，已经处理完的 119 单就全部丢失。从头再来，要多花 119 次 LLM 调用；更糟的是，还可能向 ERP 写入重复数据。在客户现场，出一次这样的事故，就足以让第二次演示再也没有机会。

Temporal 要解决的正是这个问题。Temporal CEO 兼联合创始人 Samar Abbas 认为，智能体 AI 与其说带来了新问题，不如说暴露了老问题，比如状态管理和故障处理。对前线部署工程师（FDE）来说，这句话值得当作提醒：生产环境中的 Agent，难点通常不在提示词。

## Temporal 是做什么的？

Temporal 是 Temporal Technologies 推出的开源平台，采用 MIT 许可证。开发者用对应语言的 SDK 编写业务逻辑，Temporal 以持久化执行（Durable Execution）的方式运行这些代码。官方文档写道，Workflow 一旦启动就会执行到底，无论耗时几秒还是几个月。

核心思路是把故障处理从应用代码移到平台层。worker 崩溃时，Temporal Service 会把工作交给另一个 worker。开发者不必自己写检查点，不必在数据库里存一个“做到哪一步了”的标记，也不必自建重试队列。

这家公司也在公开押注 Agent。官网首页专门列出一个用例：让 Agent、MCP 和 AI 数据管道在故障中持续运行。2026 年 2 月的融资公告，标题里就写着智能体 AI。

## 靠重读历史来恢复

Temporal 不做内存快照。Workflow 中发生的一切都记录在 Event History 里。这是一份有序日志，文档将其视为 Workflow 中所有已发生事件的唯一事实来源。新的 worker 接手时，会重放这份日志来重建状态。

套用到 200 单的例子：每次 LLM 调用、每次 ERP 写入都是一个 Activity。前 119 单的结果已经在 Event History 中。新 worker 重放时，发现这 119 步已有结果，就不再重复调用，然后从第 120 单继续。

第 120 单卡住的那次 ERP 调用，会按 Retry Policy 自动重试。这里的建议是，不要不加检查就沿用默认策略：逐项核对，并根据客户系统的承受能力，明确设置最大重试次数和超时时间。

重放机制附带一条纪律，新手经常在这里栽跟头。

**要点:** Agent 要在故障后存活，它的决策逻辑在重放历史时必须分毫不差地重现。

## Workflow 与 Activity 的边界

由于 Workflow 会被重放，Workflow 代码必须是确定性的：给定同样的历史，必须做出同样的决策。同一个提示词，LLM 下一次可能给出不同的回答，因此 LLM 调用不能直接写在 Workflow 里。LLM 调用、工具调用和对客户 API 的调用，都应放在 Activity 中。

| | Workflow | Activity |
|---|---|---|
| 包含什么 | 编排逻辑：步骤顺序、分支、Agent 循环 | 容易出错的工作：LLM 调用、工具、ERP、发送邮件 |
| 要求 | 确定性，因为会被重放 | 应当幂等，因为会被重试 |
| 出故障时 | 另一个 worker 重放 Event History 后继续 | 按 Retry Policy 自动重试 |
| 常见错误 | 在 Workflow 中调用 LLM 或读取系统时钟 | 重试时写入重复记录 |

右侧这一列，是 FDE 必须自己完成的部分。Temporal 建议 Activity 保持幂等，即执行两次也不会产生两次副作用。

看一个具体场景。Activity 把第 120 单写入 ERP，ERP 实际上已经保存，但响应没能及时返回，于是 Activity 被判定失败并重试。如果这个 Activity 只会“新建一条记录”，ERP 里同一笔订单就会出现两行。

解决办法是用订单号派生出的唯一键来写入。重试时发送同一个键，ERP 识别出记录已存在，只做更新，所以无论重试多少次，始终只有一行。重试由 Temporal 负责；重试是否安全，仍然是开发者的责任。

## 什么时候该用，什么时候还不必

当 Agent 步骤多、运行时间长、又要接触不受自己控制的系统时，Temporal 就物有所值。这几乎就是 FDE 的工作描述：通宵运行的文档读取管道，等待人工审批后才继续的 Agent，反复调用客户那套不稳定内部 API 的工具调用循环。

如果是单轮问答、答完即止的聊天机器人，引入 Temporal 只是多运维一个平台，几乎没有收益。真正的成本在于确定性纪律。习惯把 Agent 写成一个长脚本的团队必须重构代码，而非确定性 bug 通常只在重放时才暴露，也就是在事故处理的过程中。

在本地部署的客户现场，这笔账要算得更仔细。如果 Temporal Service 部署在客户的基础设施里，你离开后，客户那边就得有人为多出来的这套系统值班和运维。对于只有几步、几分钟就跑完的管道，一张简单的状态表加手动重试，交接起来可能更省事。

## 在客户现场用它，先学什么

不要一上来就装集群。按顺序吃透四个概念：Workflow、Activity、Event History、Retry Policy。Temporal 官方的 AI Cookbook 是不错的起点。

其中有一个示例，基于 OpenAI Agents SDK 构建 Agent，能扛住故障，并自行选择工具回答用户问题。旁边还有另一个示例，演示带工具调用的智能体循环。

一个值得动手的练习：拿这个示例，加一个把结果写入模拟 ERP 表的 Activity，在运行中途杀掉 worker，再重新启动。然后数一数表里的行数。如果发现重复，你就亲身体会到了为什么幂等键必须从第一天就加上。

阅读 FDE 或 AI 工程师岗位的职位描述时，留意“durable execution”“long-running agents”这类说法，或直接点名 Temporal 的字样。简历上写一句“多步骤对账 Agent，worker 崩溃后可自动恢复，按订单号实现 Activity 幂等”，远比“有 LLM 经验”有分量。

在客户现场，第一个问题不是哪个模型最聪明，而是客户的 ERP 凌晨 2 点宕机时，你的 Agent 会怎么做。

**本周动手试试:**

- 运行 Temporal AI Cookbook 中基于 OpenAI Agents SDK 的 Agent 示例，在运行中途杀掉 worker，观察 workflow 从哪里恢复。
- 审查一个现有的 Agent：列出所有 LLM、工具和 API 调用，标出哪些执行两次会造成危害。
- 在简历中加一行，具体说明你在多步骤管道中如何处理 worker 崩溃和重试，写明步骤数量以及如何防止重复写入。

## 信源

- [Temporal (official homepage)](https://temporal.io/)

- [Why Temporal? (Temporal Docs)](https://docs.temporal.io/evaluate/why-temporal)

- [Workflows (Temporal Docs)](https://docs.temporal.io/workflows)

- [Activities (Temporal Docs)](https://docs.temporal.io/activities)

- [AI Cookbook (Temporal Docs)](https://docs.temporal.io/ai-cookbook)

- [Temporal Raises $300M Series D to Make Agentic AI Real for Companies](https://temporal.io/news/temporal-raises-300M-to-make-agentic-ai-real-for-companies)
