一句话总结：长任务 Agent 的可靠性靠 Checkpoint——每个关键步骤把状态快照落库，崩溃后从断点续跑；恢复能力分四级（会话可恢复→状态可收敛→执行可续跑→副作用可恢复），最后一级保证不重复付款、不重发消息。

为什么需要状态管理

• 长任务场景：批量数据处理、长篇内容生成、多工具联动——一旦 OOM/停机更新，整个任务失败重来
• 解决方案：Checkpoint 机制——Agent Loop 每个关键步骤（思考结束/工具调用完成）把状态快照序列化存持久化存储
• 崩溃后：调度器读最新 Checkpoint，从断点继续，不重跑已完成步骤

检查点保存什么

当前版本 + 已完成步骤 + 输出文件 + 错误记录 + 下一步动作

恢复流程：读检查点 → 观察当前环境 → 继续执行

恢复能力四级（面试默写）

等级	能力	崩溃后的表现
L1 会话可恢复	保存消息/上下文/分支/摘要	重启后可重开会话
L2 状态可收敛	识别悬空流/工具调用/运行状态	不停在 running，变 interrupted/error/待确认
L3 执行可续跑	从安全边界重新调度未完成步骤	已完成不重跑，未完成继续
L4 副作用可恢复	识别外部操作是否已生效	不重复付款/发消息/创建工单/执行破坏命令

断点续跑三层状态（专业度拉分点）

1. 追加式事件日志：完整执行轨迹
2. 验收过的阶段快照：过审的中间状态
3. 不可重复副作用的幂等边界：外部操作去重（Google Agent Executor 2026 明确此三层）

工程细节

• Checkpoint 兼容性：Backward（新代码读旧 checkpoint）+ Forward（旧代码读新）+ Schema registry 版本迁移
• LangGraph：节点边界自动保存 State 快照，thread_id 恢复（对接 [AI-Agent-框架内部机制](/学习笔记/AI技术/AI Agent/AI-Agent-框架内部机制)）
• 升级时双向兼容 + 滚动回滚

面试要点

• 能默写恢复四等级并解释 L4（副作用幂等）
• 能说检查点保存 5 要素与恢复三步
• 能提断点续跑三层状态（事件日志/阶段快照/幂等边界）
• 能讲 Checkpoint 兼容性（schema registry）

相关概念

• [AI-Agent-框架内部机制](/学习笔记/AI技术/AI Agent/AI-Agent-框架内部机制) — LangGraph checkpointer
• [AI-Agent-可观测性与评估工程](/学习笔记/AI技术/AI Agent/AI-Agent-可观测性与评估工程) — 执行轨迹记录
• [AI-Agent-工作流编排](/学习笔记/AI技术/AI Agent/AI-Agent-工作流编排) — 长任务编排
• [AI-Agent-自我反思与改进机制](/学习笔记/AI技术/AI Agent/AI-Agent-自我反思与改进机制) — 失败后的改进闭环