AI Agent 重试控制：幂等键+预算+熔断器实战

适用人群：让 Codex 或其他 AI Agent 执行测试、重构、文档与发布任务，希望控制失败重试和共享用量的开发者。核心搜索词：Codex教程、AI Agent重试、幂等键、熔断器、ChatGPT Plus充值、Pro充值、Codex充值、credits、充值失败。更新时间：2026年9月4日。计划限制、credits、模型和工具可用性会变化；以 /status、Usage 页面、实时账号页面与 OpenAI 官方说明为准。

凌晨构建失败后，一个 Agent 自动把同一测试重新跑了八次。第二次开始，代码没有变化；第三次以后，失败原因仍是外部测试环境不可用。

值班者第二天只看到 Codex 用量下降，以为 Plus 容量太小，准备直接做 Pro充值。可日志显示，真正消耗容量的不是有效修复，而是没有停止条件的重复上下文、重复安装和重复日志分析。

另一个任务更危险：Agent 重试发布脚本时没有幂等键，第一次请求其实已经成功，只是响应超时；第二次重试又创建了一份发布记录。

OpenAI 官方说明，Codex 任务的使用量会受模型、运行位置、复杂度、上下文、推理、速度和工具影响。合资格功能还可能共享 allowance 与 credits，因此无界重试会挤占其他工作。

解决方案不是禁止重试，而是把重试变成一个可解释的控制系统：先分类失败，再分配预算，重复副作用必须幂等，连续故障触发熔断，人类补信息后才恢复。

核心问题：怎样让 AI Agent 只重试"可能成功且值得重试"的工作？

1. 为什么 Agent 重试比普通 HTTP 重试更昂贵？

普通请求可能只重发少量字节；Agent 重试往往重新读取仓库、工具输出、日志和历史上下文。失败一次后继续堆叠上下文，下一次可能比上一次更重。

Agent 还会执行工具：安装依赖、写文件、创建 Issue、触发流水线。若副作用没有幂等保护，重试不仅浪费用量，还会改变外部状态。

先按原因而不是按错误码分四类。临时网络抖动可短暂重试；缺少输入应等待人类；确定性测试失败要先修改代码；外部付款、发布和权限动作默认禁止自动重试。

"充值失败"尤其不能进入普通重试队列。付款可能已经授权或处于恢复中，第二渠道再买会产生重复订阅。

2. 幂等键：让副作用可以安全重试

幂等键让同一逻辑动作拥有稳定身份。对创建发布记录、开 Issue 或发送通知，可由任务类型、仓库、目标、提交 SHA 和计划日期生成键。

同一键再次出现时，系统查询已有结果，而不是重新执行。键中不放密码、Token、卡号或完整订单，只放可公开或去敏字段。

3. 预算：不是"最多三次"而是动态风险评估

预算不是固定"最多三次"，而是由风险、成本和截止时间共同决定。只读任务可多一次；写文件任务更谨慎；外部副作用通常为零次自动重试。

预算至少包含：最大尝试次数、总墙钟时间、最大上下文、允许工具、停止原因和人工接管人。任何一项耗尽都停止。

4. 用 Python 实现一个最小控制器

下面示例不执行真实付款或发布，只对任务元数据做决策。

from dataclasses import dataclass
from hashlib import sha256

@dataclass
class Task:
    kind: str
    repo: str
    target: str
    sha: str
    attempts: int
    max_attempts: int
    failure: str
    side_effect: bool = False

RETRYABLE = {"network_reset", "temporary_unavailable"}

def idempotency_key(task: Task) -> str:
    raw = f"{task.kind}|{task.repo}|{task.target}|{task.sha}"
    return sha256(raw.encode()).hexdigest()[:16]

def decide(task: Task) -> dict:
    if task.side_effect:
        return {"action": "human_check", "reason": "external_side_effect"}
    if task.failure not in RETRYABLE:
        return {"action": "stop", "reason": "not_retryable"}
    if task.attempts >= task.max_attempts:
        return {"action": "open_circuit", "reason": "budget_exhausted"}
    return {
        "action": "retry_with_backoff",
        "idempotency_key": idempotency_key(task),
        "remaining": task.max_attempts - task.attempts,
    }

sample = Task("test", "shop-api", "unit", "abc123", 1, 3, "network_reset")
print(decide(sample))

真实系统还应把决策、时间、任务版本和最终结果写入审计日志。

5. 熔断器：连续故障时的降级策略

连续出现相同根因、总预算耗尽、外部依赖不可用或用量接近团队闸门时，熔断器打开。打开后，新任务不再进入同一失败路径，而是降级为只读准备、生成检查清单或等待。

熔断不是永久失败。恢复条件必须明确：依赖健康检查通过、输入补齐、代码变化、预算窗口重置，或者负责人批准一次受控探测。

6. /status 与 Usage 页面如何进入控制循环？

在 Codex 会话中使用 /status 查看当前状态；接近限制时打开 Settings 或 Usage 页面，确认耗尽的是哪类 allowance、credits 余额和页面显示的重置时间。

这些信息是运行信号，不是发票。估算值用于规划，账单凭证仍回到对应购买渠道。路由器只读取去敏状态，不让 Agent 登录付款页面。

7. Plus、Pro 与 credits 怎样影响重试策略？

先优化失败分类和上下文，再讨论套餐。若大量容量花在原样重试，升级只会放大浪费。

合资格计划先使用包含的用量，达到限制后才可能使用额外 credits；支持功能与购买入口以实时 Usage 页面为准。ChatGPT Plus充值或 Pro充值并不会给独立 API 账户增加余额。

8. 账号状态未知时的策略

将订阅或 credits 状态标记为 billing_unknown，冻结任何自动购买、自动换渠道和高成本后台任务。保留已有 diff，运行本地确定性测试，输出待办清单。

只有账号所有者在实时页面确认目标账号、套餐、费用、周期、到账和异常规则后，才恢复执行。Agent 不读取验证码，也不保存支付信息。

9. 日志规范：记录什么与隐藏什么

记录任务别名、提交 SHA、失败分类、尝试次数、幂等键、工具类型、耗时和停止原因。不要把完整提示、私有源码、环境变量或支付页面复制到公开日志。

对错误输出做最小化截取，敏感片段在本地受控存储。公开 Issue 只引用事件编号和复现步骤。

10. 任务状态机设计

仅有 retry_count 仍然不够，因为系统无法区分"同一任务的合法重试"和"用户重复点击生成的新任务"。建议让每个 Agent 作业在以下状态间单向移动：queued、running、verifying、accepted、failed_retryable、failed_terminal。只有 failed_retryable 能返回队列，而且必须沿用原幂等键。

验收失败与执行失败也应分开。代码生成成功但测试未通过，应进入 verifying 后的失败分支；网络连接在工具调用前断开，则属于基础设施失败。二者采用相同退避策略，会让确定性的测试错误被无意义地重复执行。

11. 策略版本：让重试决策可追溯

可以在任务存储中加入 policy_version。当提示模板、最大重试次数或熔断阈值调整时，旧任务仍能解释当时为何被重试。没有策略版本的日志，只能告诉你"发生过三次"，却不能证明当时的控制器是否按规则工作。

12. 上线前验证：设计最小验收表

上线前不要等待真实故障。先在测试环境设计四个场景：工具第一次超时后恢复；输入始终无效；验收测试持续失败；全局状态页显示服务异常。观察控制器是否分别执行一次受控重试、立即停止、转人工处理和打开熔断器。

演练期间使用虚构数据与隔离仓库，不能拿生产密钥和真实客户内容做故障实验。对每个场景记录期望状态、实际状态、总尝试次数、是否生成重复副作用以及人工接管入口。

CASES = {
    "timeout_then_ok": ["transient", "ok"],
    "bad_input": ["terminal"],
    "tests_keep_failing": ["verification", "verification"],
    "service_incident": ["global_incident"],
}

for name, sequence in CASES.items():
    allowed = sum(kind == "transient" for kind in sequence)
    print(name, "预计自动重试次数:", min(allowed, 1))

这不是完整测试框架，而是一张最小验收表。真实系统还应断言：幂等键没有变化、熔断期间不接收新任务、人工恢复后先放少量探测请求，而不是瞬间放开全部队列。

13. 充值与续费：工程任务与账单的边界

不要让 Agent 因为看到"可能接近限制"就自动执行 Plus充值、Pro充值或 Codex充值。任务控制器只能降级、排队、通知和保留证据，付款与续费必须由有权限的人在正确账号和渠道确认。

如果账号 Usage 页面显示资源不足，先保存任务检查点，再核对套餐包含范围、额外 Credits 是否适用于该功能，以及 ChatGPT 与 API 是否被混淆。完成订阅操作后，仍需通过一个小型探测任务验收，不应直接恢复全部后台任务。

这种解耦还能降低充值失败的影响：账单事件交给人工流程，工程任务保持可恢复状态。即使支付暂时未解决，系统也不会因为无限重试耗尽剩余资源或制造重复提交。

验收清单

• [ ] 每类失败都有可重试或不可重试结论。
• [ ] 尝试次数、墙钟时间和上下文都有预算。
• [ ] /status 与 Usage 仅作为状态信号。
• [ ] 日志不含密钥、Cookie、完整订单或源码。
• [ ] 降级路径能保存 diff、测试和待办。

FAQ

Q1：应该等失败后再加预算吗？

不应该。先确认动作是否有副作用，再给临时错误有限预算。

Q2：高风险任务是否应设更严格预算？

任务风险和成本不同。高影响动作可能一次自动重试也不允许。

Q3：熔断等于放弃吗？

不完全等于，但通常需要持久化唯一约束或结果查询配合。

Q4：Codex 用量高就应该 Pro充值吗？

先排查重复上下文、无界重试和失败分类，再根据真实负载决定。

Q5：credits 和订阅用量是同一件事吗？

合资格功能通常先使用计划包含的用量，之后按实时页面规则使用 credits。

Q6：ChatGPT Plus充值能给 API 重试付费吗？

不可以。ChatGPT Plus和 Pro 是独立产品，充值入口和用途不同。

Q7：Agent 可以帮人类做充值决策吗？

可以执行只读分析、整理复现步骤、保存 diff 和生成待办。

Q8：充值失败可以让 Agent 自动恢复付款吗？

不可以。付款、渠道切换与验证码流程必须由被授权的人处理。

结语

成熟的 AI Agent 不以"永不停止"为目标，而是能解释为什么继续、为什么暂停、谁来恢复。

把控制器上线后，还应每周抽样检查一次"没有重试的失败"。如果系统为了节省预算把所有未知错误都判成终止，可能掩盖真正的基础设施问题；如果所有未知错误都自动重试，又会回到资源失控。更稳妥的做法是把未知类别送入人工队列，由负责人补充分类规则和测试用例，再随策略版本发布。

同时比较重试前后的业务结果：修复是否通过测试、生成的变更是否被接受、人工是否仍需完整重做。只有这些结果改善，熔断与预算才真正产生价值。ChatGPT Plus、Pro、Codex 或额外 Credits 提供的是可用资源，工程团队仍需用幂等、验收、日志和人工接管把资源变成可靠交付。

记住：先分类、再幂等；先预算、再重试；根因不变，就打开熔断。