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。
要点速览
- Temporal 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。
- 恢复依赖 Event History,因此 Workflow 代码必须是确定性的,LLM 和工具调用必须放在 Activity 中。
- Activity 会被自动重试,把它设计成幂等的,是开发者自己的责任。
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。
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。
这篇文章对你有帮助吗?
感谢你的反馈!