自愈之前先把检查点做扎实

一条流水线里挂掉一个智能体，其余的浑然不觉。标题那句 ONE AGENT FAILS AND THE REST OF YOUR PIPELINE DOESN'T EVEN NOTICE 说的就是这事。这不是设想，是自愈式基础设施的日常。让它变得便宜的关键，是有个便宜的判断层垫在每次失败底下，出事就找它。 五步走一遍。每执行一步，智能体先把状态存个检查点。某个挂了，编排器把它隔离出去，别人照常干活。判断层读一眼错误，从固定的动作清单里挑修法，重试、重装、改路径、换工具、上报或者停机，六选一。选定后从最近的检查点恢复，执行修复。拿不准的，直接转给大模型或者人来定。 决定是毫秒级做出来的。花费不到一美分。不用重启整个工作流。更不用请昂贵的旗舰模型来读一堆报错。这句才是省钱眼，报错自有便宜人手拆。 这套思路跟前面算订阅账的老话对得上，能标准化的都不该占贵的。失败处理是高频低价值的活。正好归便宜的那位管。旗舰只在拿不准时被叫醒，分工一摆，账自然好看，跑不掉的。 我的看法是检查点那步是隐形的主角。没有它，隔离和修复都是空话。恢复从哪起手，全看状态存得干不干净。工程上大部分苦活其实都花在这，一步都省不得。 准备搭流水线的，先把检查点机制做扎实。再谈自愈。顺序反了就是空中楼阁，看着漂亮踩不得。云上的恢复演练跑一遍，真假立见。