多Agent系统故障恢复：重试、熔断、降级、重规划

单 Agent 与多 Agent 系统中的故障

在单 Agent 系统中，故障很简单：Agent 出错，你重试。

在多 Agent 系统中，故障是一个图问题。

级联故障问题

Agent A: ✅ Success
Agent B: ❌ Timeout (depends on A)
Agent C: ❌ Skipped (depends on B)
Agent D: ❌ Partial data (depends on C)

一个超时会在整个管道中传播。没有恢复机制，你的系统就很脆弱。

我们的恢复策略

AgentForge 实现了 3 个恢复层：

第 1 层：指数退避重试

@retry(max_attempts=3, backoff=exponential(base=2, max=60))
def agent_call(params):
    return llm.invoke(params)

第 2 层：断路器

如果一个 Agent 在 10 分钟内失败 5 次，我们停止调用它并返回一个降级响应：

{
  "status": "degraded",
  "agent": "market_data",
  "fallback": "cached_data",
  "warning": "Real-time data unavailable, using 15-min delayed feed"
}

第 3 层：管道重新规划

当关键 Agent 失败时，编排器可以重新规划：

• 如果非关键，则跳过失败的步骤
• 用备用 Agent 替代
• 停止并使用完整的上下文追踪进行警报

实际案例

上个月，我们的市场数据 API 在交易时段出现故障。以下是发生的情况：

14:32 — 市场数据 Agent 超时（第 1 层：3 次重试失败）

14:33 — 市场数据 Agent 的断路器打开

14:33 — 管道自动切换到缓存数据 + 警告标志

14:35 — 生成完整报告，附带"延迟数据"免责声明

15:00 — 市场数据 API 恢复，断路器自动关闭

零手动干预。零遗漏报告。

生产就绪的标志

如果你的多 Agent 系统无法处理一个 Agent 故障，那它还没有准备好用于生产。

AgentForge 将其作为默认行为，而不是事后补救。

https://github.com/agentforge-cyber/agentforge-mvp

发布于 2026-08-02，由 AgentForge 团队发布。

---