定时运行AI Agent输出飘移的根因与修复

答案每次都不一样的两个原因

只有两大类原因，弄清楚你在对付哪一种很重要。

原因一：模型掷了不同的骰子。语言模型是一个 token 一个 token 地生成输出，从概率分布中采样。temperature 和 top-p 控制模型在每个 token 上的冒险程度。即使把 temperature 设为 0 也不能完全消除变化：Google 自己的 generation-parameter 文档就警告过，temperature 0 仍然可能允许少量随机性，而固定随机种子只是让输出"基本确定"而非保证一致。所以漂移有一部分是真正的概率性因素。

原因二：Agent 收到的输入不一样。"相同的 prompt"对一个 Agent 运行来说描述太粗糙了。有效输入包括它携带的对话历史或记忆、检索步骤抓取的文档、工具返回的值、当前时间，以及提供商悄悄给你路由到的模型版本。如果周一到周二之间这些有任何变化，Agent 得到的就是一次不同的运行，尽管 prompt 文本完全相同。

锁住能锁住的

对于概率性那一半，有一套已知的方法：

把 temperature 设为 0，用于任何输出会进入流水线的 Agent。这是代价最低的一致性保障。记住它不是绝对的。

在使用固定随机种子如果 API 支持的话。对于相同的输入基本可复现。

固定模型版本。提供商会悄无声息地退役和更新模型。一个指向"最新"的 Agent 可能一夜之间就改变了行为，而你这边什么都没动。

把 prompt 文本冻结并版本化管理。把 prompt 当成代码来对待：变更要记录、可对比、可回滚。

对于输入漂移那一半，修复方法是日志。记录每次运行的完整有效输入：工具输出、检索到的文档、Agent 看到的记忆。当一次运行发生漂移时，与一次正常运行做 diff。通常差异就在眼前：一个工具返回了不同结果、一个 CRM 字段今早是空的、一个记忆存储昨天有内容今天被清空了。

那个实际上是失忆症的漂移

这是大多数自动化运维人员会忽略的模式。两次"应该"一致的运行实际上有不同的上下文，因为一个记住了另一个没记住的东西。

假设你在周一纠正了 Agent："billing 线索打 1-10 分，其他打 1-5 分。"周一的运行在它的上下文里有这个纠正。周二的运行全新启动、新的执行环境，没有这个纠正的记录。相同的 prompt、相同的线索、不同的答案。漂移不是随机性。是穿着随机性外衣的失忆症。

这是定时 Agent 真正的杠杆。定时运行是生成、执行、然后消亡的；当进程退出时，它的上下文也随之消亡。除非有东西在运行之间做了记录，否则纠正、决策和过去的输出都会蒸发。Prompt 编辑是常用的变通方案，但它们有一个结构性的失败原因：prompt 是配置，是在 UI 里手动编辑的。Agent 无法把学到的东西写进任何地方。它无法完成一次运行、发现自己漂移了，然后把教训存储起来。

让定时 Agent 稳定下来需要两种记忆：

纠正记忆（ playbook ）。Agent 学到的关于自己工作的规则：路由规则、格式要求、评分量表、已知的失败模式。这就是让周一的纠正到周三还活着的机制。当它存在于共享记忆中而不是 prompt 字段里时，每次运行都读同一本规则手册。

输出记忆（参考运行）。Agent 过去的输出，存储起来并可检索。在发布之前，Agent 检查上一次产生了什么，匹配那个形状。这就是格式漂移消失的方式：Agent 对比自己的历史记录而不是每天早上即兴发挥。

注意这对概率性部分的作用。你无法让采样完全确定化。但一个记得自己过去输出和纠正的 Agent 会趋向于一致的行为，因为每次运行都锚定在共享记录上而不是从零开始。记忆不能消除随机性；但它给了 Agent 一个可以比对的东西。

定时 Agent 的一致性检查清单

如果你在 n8n、Make、Zapier 或定时 Python Agent 中运行 AI Agent，这是完整的工具包：

Temperature 0、固定随机种子、固定模型版本。先拿下免费的一致性。

版本化管理的 prompt。变更要记录、可对比、可回滚。

记录每次运行的完整有效输入。漂移诊断从这里开始。

一份共享的纠正 playbook，每次运行都读：第 100 天和第 2 天规则相同。

过去的输出作为参考。Agent 在发布前先做对比。

一个统一的纠正入口。说一次，所有读取那个记忆的 Agent 都收到。

记忆存在哪里

你可以自己构建：一个存储规则和过去输出的数据库、在每个工作流开头加一个读步骤、结尾加一个写步骤。这能工作，但每个平台需要几天的接线工作，还要持续维护，而且在 n8n、Make 和你 Agent 运行的其他工具之间会有重复的步骤。

另一种方案是一个 Agent 直接连接的共享记忆层。Vilix AI 是一个选择：云托管，无需运行基础设施，通过 MCP 与 Agent 连接，这意味着相同的记忆会跟着 Agent 穿越 Claude、Codex、Cursor、OpenClaw、Hermes 或任何兼容 MCP 的 AI。它存储完整对话历史，而不只是提取的事实，这样 Agent 可以重访发生纠正的那次实际运行，而不只是总结后的规则。这对漂移诊断很重要：Agent 看到和决定什么的日志本身就是记忆。

这个形态很适合自动化实验：免费计划，以及 7 天 Pro 试用无需信用卡，这样你可以在付费之前把一个定时工作流指向它，看看周二的运行是否开始和周一的一致了。而且这是你的数据：随时可以导出全部内容或删除，以可移植的格式。

定时 Agent 的一致性不是 prompt 问题。是状态问题。锁住采样旋钮、记录有效输入、给 Agent 一个关于它决定了什么、你纠正了什么、以及好的输出长什么样的共享记忆。做到了这些，早上 7 点的运行就会像同一个员工每天来上班，而不是一个新员工没有入职培训。

在 vilix.ai 了解更多。