RagLeap 修复子代理任务与模型超时问题
Core 0.13.6 修复了真实模型测试中发现的子代理任务完成与模型供应商超时处理问题。可观测性组件 0.8.6 更新了 Prometheus、Loki 和 Alertmanager 镜像,并进行了 Kubernetes 兼容性检查、告警测试和安全扫描。
AI 深度解读
RagLeap 团队第一次在实际运行的服务器上用真实模型跑子代理,就遇到了两个问题。一个子代理判断无需调用工具,最后只交回一条执行日志,父代理可能把同一任务再派一遍。另一次委派被 Gemini 的过载响应拖了近 12 分钟,而后备供应商约 5 秒就答了。
RagLeap Core v0.13.6 修的是任务交接和供应商超时,ragleap-observability 0.8.6 则验证了监控组件升级后能否装上、能否报警。对做 AI 编程工具或全栈应用的人,最值得借鉴的是他们怎么区分发现了故障、修了代码,以及用测试证实修复有效。
子代理没调用工具,也得把答案交回来
父代理把任务交给子代理后,真正需要的是能接着用的结果。比如父代理请子代理判断一段已提供的变更会不会影响旧调用方,子代理可能单靠已有上下文就能回答。旧逻辑在没有工具动作时只返回 0 step(s): no actions。这条日志告诉父代理执行了几步,却没告诉它任务有没有做完、得出了什么结论。父代理拿不到答案,就可能重新委派,形成空转。
v0.13.6 的 PR #1473 在这条路径上补了一次简短的模型调用,让子代理组织答案,再交还父代理。这里要分开看两个状态。工具有没有被调用是执行记录,任务有没有完成取决于有没有可交付的结果。作者在真实模型测试中观察到了旧行为,但发布时,两项修复合入后的真实模型子代理复测还没完成。
这次 Core 升级无需迁移数据库,也没有必填的新配置。文件写入和删除继续禁用,子代理也默认禁用。已经启用子代理的团队可以按现有权限配置验证修复。
给供应商设超时,工作流就能继续等下一家
那次接近 12 分钟的委派遇上了 Gemini 的 503 high demand。下一家供应商大约 5 秒就给了结果。这次记录能说明等待是怎么拖长的,但这两次耗时只是一次故障中的观测值,无法拿来比较两家供应商的日常表现。
PR #1474 增加了 ACTION_PROVIDER_TIMEOUT,限制单个供应商在规划或总结调用上的等待时间。达到上限后,工作流切到下一家,设为 0 则关闭超时。它管的是每次供应商调用的等待,如果多个供应商接连耗尽时限,整条任务仍可能等很久。
还有一层区别在调用方和底层库之间。调用方可以超时后继续走,底层库里的旧请求却可能在后台继续跑,直到库自己返回。迟到的结果会被丢弃,连接或并发槽位何时释放则取决于底层调用。发布时,团队也还没用真实的供应商中断验证这条回退路径。
监控升级要验证告警能触发、也能恢复
ragleap-observability 0.8.6 更新了 AlertManager、Loki 和 Prometheus 镜像。原文给出了三者的旧版本,分别是 v0.34.1、3.6.17 和 v3.13.4,并提到 tests/promtool 的规则单测改用 Prometheus v3.16.0。原文没有列出新版 AlertManager 和 Loki 的版本号。
团队在 Kubernetes v1.34.11、v1.36.4 和 v1.37.0 上做了兼容性验证,覆盖 Chart 的安装、升级和卸载,还检查了 Loki 数据源在安装和升级后的健康状态。Prometheus 的端到端测试确认了 4 条告警规则正常加载,模拟故障时快速燃烧告警触发,故障恢复后告警解除。快速燃烧指服务正在以过快的速度消耗 SLO 允许的错误预算。测试还确认,被监控目标消失后会触发 RagleapTargetAbsent。
团队也用临时标签 test-rel-observability-0.8.6 把三张更新后的镜像放进同一个 Chart,联合验证了安装、升级、卸载和端到端告警。三张镜像都通过了各自的 Trivy 扫描门禁。AlertManager 的上次对照记录有 7 个 HIGH 发现,原文没有给出本次的具体数量。联合扫描里唯一失败的是该 Chart 不部署的 neo4j:5-community,涉及 Debian linux-libc-dev 的 CRITICAL 通告 GHSA-2p6h-wr8g-2xqx,主分支也有同一失败。
这条命令可以安装团队验过发布内容的 PyPI wheel。
pip install ragleap-observability==0.8.6
命令用 ==0.8.6 固定了版本。团队确认该 wheel 的 helm/ 目录里有 17 个文件,也核对了包的项目源码地址。
我的判断
子代理这部分最有说服力的是故障很具体。父代理原来只能拿到动作计数,修复后有了接收答案的路径。补一次模型调用是一种直接修法,但它也多了一次调用。要是系统在第一次判断「无需工具」时就能同时产出可交付答案,也可以直接复用它。原文没交代当时的输出结构,也没给两种做法的延迟、成本或重复委派率对照,因此目前能看到的是一次有针对性的工程修补,收益有多大还没量化。
超时切换也有前提。备选供应商得能完成同样的规划或总结任务,而且业务得接受切换后的结果。对请求链路较短的 Node 服务,单次超时之外还要考虑整条请求能等多久。重试原供应商适合短暂抖动,切换供应商适合还有可用备选的场景。原文提供的是一次故障经验和修复说明,真实故障下的切换速度、后台请求积压情况仍待验证。
监控侧的测试证据更完整,但适用范围也很清楚。联合测试覆盖了组件协作和告警状态变化,长期运行且带有旧数据的集群升级、Slack 或邮件实际送达仍未验证。手工 SLO 脚本 tests/live/slo-live-test.sh 没有重跑,仍固定在 Prometheus v3.13.4。Alloy v1.22.0 的扫描结果干净,但现有测试没有启用 Alloy,所以发布版仍用 v1.20.1。如果生产里已经积累了历史指标和日志,这份发布记录能帮你挑出升级前最该补的验证。
能拿来做什么
- 给 AI 编程助手加一个无需调用工具的委派用例。把任务所需上下文直接交给子代理,检查父代理能拿到可用答案,并能据此继续工作。
- 在 Node 的模型调度层用可控的慢响应模拟供应商过载,检查
ACTION_PROVIDER_TIMEOUT到期后是否切到下一家,同时记录整条请求耗时和旧调用占用资源的时间。 - 给可观测性升级跑一轮故障演练。让一个测试目标短暂消失再恢复,观察告警规则加载、触发和解除。如果线上依赖 Slack 或邮件,再核对收件端是否真正收到通知。
- 在候选环境安装实际发布的 wheel,核对
helm/内容并用其中的 Chart 演练升级。已有长期运行数据时,用带代表性历史数据的环境补一次验证。