Agent 的工具调用失败后应该如何恢复？

面试时怎么答

不要用“失败就重试”概括这题，应按错误语义分类。限流和短暂网络错误可以退避重试；参数错误应修正；超时且结果未知时先按幂等键查询状态；不可逆动作不能盲目再次执行。追问连续失败时，再谈熔断、降级、补偿和转人工。

可以这样答：

工具失败后的处理取决于错误语义。限流或短暂网络故障可以带抖动地退避重试，参数校验失败应先修正参数；如果写操作超时且结果未知，要用幂等键查询执行状态，不能直接再做一次付款。连续故障应熔断或降级，不可逆操作需要补偿流程或人工接管，并保留每次尝试的审计记录。

核心回答

先分类失败，再决定恢复动作。参数校验错误应修正参数，权限或业务规则拒绝通常不应重试，限流、超时和部分 5xx 可在预算内退避重试；对结果未知的有副作用操作，不能直接再次执行，应先用 request/operation ID 查询真实状态。只有工具提供服务端幂等契约时，才可携带同一 idempotency key 安全重试。长任务还要持久化 Checkpoint，并为无法原子回滚的外部动作设计补偿流程。

展开说明

失败可分为：

• Validation Error：参数类型、格式或前置条件不满足，向模型返回结构化字段错误。
• Permanent Error：无权限、资源不存在或业务明确拒绝，停止自动重试并向用户说明。
• Transient Error：限流、短暂网络故障或可恢复服务错误，使用有限次数的指数退避与抖动。
• Ambiguous Outcome：请求可能已成功但响应丢失，先按 request_id 查询状态，避免重复付款或发送。

每次重试都要消耗步骤和时间预算，并记录原错误。模型反思可以帮助修改计划，但不能替代错误分类、幂等控制和真实状态核验。

工程实践

工具返回统一错误码、retryable 标记和建议等待时间。对支持幂等契约的有副作用调用，使用租户绑定的 idempotency key，并由服务端原子地识别重复请求；不支持幂等的工具不能盲目自动重试。在动作前后保存 Checkpoint 和状态版本。补偿动作也可能失败，因此要支持人工接管、告警和对账，而不是宣称可以完全回滚外部世界。

常见追问

1. 为什么所有 5xx 都无限重试会造成更大故障？ 重试会放大下游流量、耗尽连接和队列，形成重试风暴；必须限制次数、指数退避并配合熔断。
2. 超时后怎样判断付款是否已经成功？ 用客户端生成的幂等键查询支付状态或接收可信回调，结果未知前不能再次创建一笔新付款。
3. Compensation 与数据库事务回滚有什么区别？ 回滚把未提交事务恢复到原状态；补偿是在分布式副作用已经发生后执行一个语义上的反向业务动作，未必能完全还原。

一句话复习

Agent 恢复的核心是错误分类、有限重试、幂等状态核验、Checkpoint 和必要的补偿或人工接管。

参考资料

• 面试题主题：AI Engineering Interview Questions 中的 Agent 失败恢复题
• 技术依据：AWS：Making Retries Safe with Idempotent APIs、Reflexion