为了让智能体在多样化的真实世界环境中可靠运行，它们必须能够应对突发情况、错误和故障。正如人类会适应意外障碍一样，智能体需要健壮的系统来检测问题、启动恢复流程，或至少确保可控的失败。这个基本需求构成了“异常处理与恢复”模式的基础。
该模式致力于打造极其耐用且具备弹性的智能体，使其在各种困难和异常情况下仍能保持不间断的功能与运行完整性。它强调前瞻性的准备与事后反应策略同等重要，以确保在面对挑战时也能持续运作。这种适应性对于智能体在复杂且不可预测的环境中成功运行至关重要，最终提升其整体效能与可信度。
处理意外事件的能力确保这些 AI 系统不仅智能，而且稳定可靠，从而增强其部署与性能的信心。集成全面的监控与诊断工具进一步强化智能体快速识别和解决问题的能力，预防潜在中断，并在不断演变的条件下确保更顺畅的运行。这些先进系统对于维持 AI 运营的完整性和效率至关重要，巩固其管理复杂性与不可预测性的能力。
该模式有时可以与反思结合使用。例如，如果初次尝试失败并抛出异常，反思过程可以分析失败原因，并以改进的方法（如优化提示）重新尝试任务，从而解决错误。
概述
异常处理与恢复模式旨在满足智能体对运行失败的管理需求。该模式包括预判潜在问题（如工具错误或服务不可用）并制定缓解策略。这些策略可能包括错误日志、重试、回退、优雅降级和通知。此外，该模式强调恢复机制，如状态回滚、诊断、自我校正和升级，以将智能体恢复到稳定运行状态。实施该模式能提升智能体的可靠性和鲁棒性，使其在不可预测的环境中发挥作用。实际应用示例包括：聊天机器人处理数据库错误、交易机器人应对金融错误、智能家居智能体解决设备故障。该模式确保智能体即使遭遇复杂性与失败，也能持续有效地运作。
图 1：智能体异常处理与恢复的关键组件
错误检测： 这涉及在问题出现时细致地识别运行故障。表现形式包括无效或格式错误的工具输出、特定 API 错误（如 404“未找到”或 500“内部服务器错误”）、服务或 API 异常长的响应时间，或偏离预期格式的前后不一致、缺乏逻辑的响应。此外，可通过其他智能体或专业监控系统进行监控，以更主动地进行异常检测，使系统在问题升级前就能捕捉潜在隐患。
错误处理： 一旦检测到错误，就需要一个经过深思熟虑的响应计划。这包括将错误细节严谨地记录在日志中，以便后续调试和分析（日志记录）。重试该操作或请求，有时配合略微调整的参数，可能是一种可行策略，尤其适用于瞬时性错误（重试）。采用替代策略或方法（回退）可以确保保留部分功能。在无法立即完全恢复的情况下，智能体可以维持部分功能，以至少提供一定价值（优雅降级）。最后，在需要人工干预或协作的情形中，向人类操作员或其他智能体发出警报可能至关重要（通知）。
恢复： 此阶段旨在在错误发生后将智能体或系统恢复到稳定且可运行的状态。它可能涉及回滚近期的更改或事务以消除错误影响（状态回滚）。对错误原因进行彻底调查对于防止再次发生至关重要。通过自我纠正机制或重新规划过程，调整智能体的计划、逻辑或参数，可能有必要以避免未来出现相同错误。在复杂或严重的情况下，将问题升级委派给人类操作员或更高层级的系统（升级）可能是最佳做法。。
实施这种健壮的异常处理与恢复模式，可以将智能体从脆弱不可靠的系统转变为健壮、可信赖的组件，使其能够在充满挑战且高度不可预测的环境中高效且有韧性地运行。这确保智能体保持功能性，最大限度减少停机时间，即使面对突发问题也能提供无缝且可靠的体验。
实际应用与使用场景
在无法保证完美条件的真实世界场景中，异常处理与恢复对任何智能体都至关重要。
- 客户服务聊天机器人： 如果聊天机器人尝试访问客户数据库而数据库暂时宕机，它不应崩溃。相反，应检测到 API 错误，告知用户暂时性问题，或许建议稍后重试，或将请求升级给人工客服。
- 自动化金融交易： 一个试图执行交易的交易机器人可能会遇到“资金不足”错误或“市场休市”错误。它需要通过记录错误、避免反复尝试同一无效交易，并在必要时通知用户或调整策略来处理这些异常。
- 智能家居自动化： 控制智能灯的智能体可能因网络问题或设备故障而未能打开灯。它应检测到这一失败，或许进行重试；如果仍不成功，则通知用户灯未能打开并建议人工干预。
- 数据处理智能体： 负责处理一批文档的智能体可能会遇到损坏的文件。它应跳过该损坏文件、记录错误、继续处理其他文件，并在结束时报告被跳过的文件，而不是中止整个流程。
- 爬虫智能体： 当爬虫智能体遇到验证码、网站结构变化或服务器错误（例如 404 Not Found、503 Service Unavailable）时，需要优雅地处理。这可能包括暂停、使用智能体，或报告失败的具体 URL。
- 机器人与制造业： 执行装配任务的机械臂可能因错位而未能拾取组件。它需要检测到这一失败（例如通过传感器反馈），尝试重新校准并重试拾取；如果问题持续，则警示人类操作员或切换到不同组件。
简而言之，这一模式是构建在现实世界复杂性面前不仅智能且可靠、具备韧性、对用户友好的智能体的基础。
实战代码示例（ADK）
异常处理与恢复对系统的稳健性和可靠性至关重要。举例而言，考虑智能体对一次工具调用失败的响应。这类失败可能源于错误的工具输入，或是工具所依赖的外部服务出现问题。
from google.adk.agents import Agent, SequentialAgent
# Agent 1: Tries the primary tool. Its focus is narrow and clear.
primary_handler = Agent(
name="primary_handler",
model="gemini-2.0-flash-exp",
instruction="""
Your job is to get precise location information.
Use the get_precise_location_info tool with the user's provided address.
""",
tools=[get_precise_location_info]
)
# Agent 2: Acts as the fallback handler, checking state to decide its action.
fallback_handler = Agent(
name="fallback_handler",
model="gemini-2.0-flash-exp",
instruction="""
Check if the primary location lookup failed by looking at state["primary_location_failed"].
- If it is True, extract the city from the user's original query and use the get_general_area_info tool.
- If it is False, do nothing.
""",
tools=[get_general_area_info]
)
# Agent 3: Presents the final result from the state.
response_agent = Agent(
name="response_agent",
model="gemini-2.0-flash-exp",
instruction="""
Review the location information stored in state["location_result"].
Present this information clearly and concisely to the user.
If state["location_result"] does not exist or is empty, apologize that you could not retrieve the location.
""",
tools=[] # This agent only reasons over the final state.
)
# The SequentialAgent ensures the handlers run in a guaranteed order.
robust_location_agent = SequentialAgent(
name="robust_location_agent",
sub_agents=[primary_handler, fallback_handler, response_agent]
)
此代码使用 ADK 的 SequentialAgent 与三个子智能体定义了一个健壮的位置检索系统。primary_handler 是第一个智能体，尝试使用 get_precise_location_info 工具获取精确位置信息。fallback_handler 作为备份，通过检查状态变量确认主查询是否失败。如果主查询失败，备用智能体会从用户的查询中提取城市，并使用 get_general_area_info 工具。response_agent 是序列中的最终智能体。它会审阅存储在状态中的位置信息。该智能体用于向用户呈现最终结果。如果未找到任何位置信息，它会表示歉意。SequentialAgent 确保这三个智能体按预定义顺序执行。该结构允许分层式的位置信息检索方法。
回顾
是什么（What）
在现实环境中运行的智能体不可避免地会遇到意外情况、错误和系统故障。这些中断可能包括工具失效、网络问题或无效数据，威胁智能体完成任务的能力。如果没有结构化的方式来管理这些问题，智能体可能会脆弱、不可靠，并在遇到意外障碍时完全失败。这种不可靠性使其难以在对一致性能要求很高的关键或复杂应用中部署。
为什么（Why）
异常处理与恢复模式为构建健壮且具备韧性的智能体提供了标准化解决方案。它赋予智能体预判、管理并从运行失败中恢复的能力。该模式包括主动错误检测（如监控工具输出和 API 响应）与被动处理策略（如记录日志以便诊断、重试瞬时故障或使用回退机制）。对于更严重的问题，它定义了恢复协议，包括恢复到稳定状态、通过调整计划进行自我纠正，或将问题升级给人工操作员。该系统化方法确保智能体能够维持运行完整性、从失败中学习，并在不可预测的环境中可靠运行。
经验法则（Rule of Thumb）
对于部署在动态、现实环境中的任何智能体，当可能存在系统故障、工具错误、网络问题或不可预测输入且对运行可靠性有关键要求时，应使用此模式。
图示摘要
关键点
- 异常处理与恢复对于构建健壮可靠的智能体至关重要。
- 该模式涉及检测错误、优雅处理，并实施恢复策略。
- 错误检测可包括验证工具输出、检查 API 错误码以及使用超时机制。
- 处理策略包括日志记录、重试、回退、优雅降级和通知。
- 恢复侧重通过诊断、自我纠正或升级来恢复稳定运行。
- 这种模式确保智能体即使在不可预测的真实世界环境中也能高效运作。
总结
本章探讨“异常处理与恢复”模式，这是开发健壮且可靠的智能体的关键。该模式关注智能体如何识别并管理意外问题、采取恰当响应，以及恢复到稳定的运行状态。章节讨论了该模式的多个方面，包括错误的检测、通过日志记录、重试与回退等机制对错误进行处理，以及用于将智能体或系统恢复到正常功能的策略。通过多个领域的实际应用，展示该模式在应对现实世界复杂性与潜在故障方面的相关性。这些应用表明，为智能体配备异常处理能力，有助于提升其在动态环境中的可靠性与适应性。
参考资料
- McConnell, S. (2004). Code Complete (2nd ed.). Microsoft Press.
- Shi, Y., Pei, H., Feng, L., Zhang, Y., & Yao, D. (2024). Towards Fault Tolerance in Multi-Agent Reinforcement Learning. arXiv preprint arXiv:2412.00534.
- O'Neill, V. (2022). Improving Fault Tolerance and Reliability of Heterogeneous Multi-Agent IoT Systems Using Intelligence Transfer. Electronics, 11(17), 2724.
