跳到主要内容

长任务与状态

checkpoint 断点续跑、time-travel 调试、跨 session handoff 与 durable execution 如何保障长任务可靠

核心要点：

  • checkpoint/resume：状态快照，崩溃后续跑
  • time-travel：回历史点重跑或 fork 分支
  • session 化：用 handoff artifact 跨会话续跑
  • initializer + coding 两段式 harness
  • durable execution：事件溯源保证多年可靠

本文讲长任务的状态管理。跨会话记忆的 handoff 文档与 compaction 见 03-记忆系统，本文聚焦执行状态的 checkpoint 与恢复。

checkpoint/resume 怎么让长任务不怕崩？​

核心问题：agent 跑到一半进程挂了，怎么不从头再来？

把执行状态序列化到持久存储，崩溃后从最近快照接续。核心数据结构是 (thread_id, checkpoint_id, parent_checkpoint_id, state)——执行中途持续打快照，恢复时从最近的 checkpoint 重新接上[1]。

LangGraph 用 Postgres checkpointer 支撑并发场景，把每一步的状态落盘。这让长任务获得"断点续跑"能力：不是把整个任务重头跑一遍，而是从挂掉前的最后一个稳定状态继续。可借鉴的判断：任何会跑很久、可能中途失败的 agent，都该有 checkpoint。

time-travel 有什么用？​

核心问题：checkpoint 除了崩溃恢复，还能干什么？

time-travel 让你回到任意历史 checkpoint 重跑、fork 分支或改状态后续跑[1]。它把 checkpoint 从"灾备"升级成"调试与探索"工具。

三种操作：

  • replay（重放）：从某个历史点重跑，观察行为。
  • fork（分叉）：从历史 checkpoint 创建新 thread，走不同分支。
  • state editing（改状态）：resume 前修改 state，纠正一个错误决策再继续。

典型用法：回到步骤 15 修正步骤 17 出错的决策，而无需重跑整个任务。可借鉴价值：checkpoint 不只防崩溃，还让"从中途换条路再试"变得廉价。

session 化怎么跨会话续跑？​

核心问题：任务长到超过单次会话，状态怎么传下去？

把长任务切成多个 session，每个 session 结束生成结构化 handoff artifact，下个 session 从 artifact 恢复[2]。这避免了重放整段 token 历史。

handoff artifact 是语义层的状态摘要：已完成子任务、待办、当前决策约束。新 session 读它恢复，而非回放原始对话。这与 03-记忆系统 的 handoff 文档是同一机制的两个视角——记忆系统讲它如何承载状态，本文讲它如何支撑长任务编排。Anthropic 的数据印证：对 context anxiety 强的模型，context reset（配 handoff）比单纯 compaction 更关键。

initializer + coding 两段式是什么？​

核心问题：长任务的 harness 怎么组织，才能逐 session 稳定推进？

Anthropic 的两段式：initializer 把简短 prompt 展开为 spec + 任务清单，coding agent 逐 session 增量执行[2]。两个角色分工明确。

  • initializer：一次性把简短需求展开成详细 spec 和任务列表，搭好结构化环境。
  • coding agent：每个 session 接收 spec + 上一轮 handoff artifact，执行一批任务，输出新 artifact。
  • evaluator（可选）：用测试（如 Playwright）打分验证。

跨 session 的连续性靠两条锚点：git history 记录客观代码状态，handoff artifact 记录主观决策进度。可借鉴的设计：把"规划环境"和"逐步执行"拆成两个角色，前者只跑一次、后者可重复接力。

durable execution 怎么保证可靠？​

核心问题：比 checkpoint 更强的可靠性保证长什么样？

durable execution 用事件溯源(event sourcing)替代状态快照，崩溃后重放事件历史恢复[3]。Temporal 是代表：它记录每个动作的 Event History，恢复时从头重放 workflow 代码，已完成的 Activity 直接复用结果。

这套机制能保证"即使基础设施失败，workflow 仍能跑数年"。核心约束是 workflow 代码必须确定性，所有外部 I/O 封装成 Activity——这与 05-确定性workflow 的确定性要求一脉相承。它与 checkpoint 的区别：checkpoint 存"当前状态"，事件溯源存"如何到达当前状态"，后者恢复更稳但要求代码可重放。

Takeaway​

知识点核心结论
checkpoint/resume状态快照落盘，崩溃从最近点续跑
time-travelreplay / fork / 改状态，调试与换路探索
session 化handoff artifact 承载语义状态，不重放 token 历史
两段式 harnessinitializer 展开 spec,coding agent 逐 session 接力
durable execution事件溯源 + 确定性代码，保证多年可靠

参考资料​

  1. LangChain. LangGraph: Persistence and Time Travel. 2025. https://langchain-ai.github.io/langgraph/concepts/persistence/
  2. Anthropic. Harness design for long-running application development. 2025. https://www.anthropic.com/engineering/harness-design-long-running-apps
  3. Temporal. Workflows and Durable Execution. 2025. https://docs.temporal.io/workflows

延伸阅读​