昨天我用「每个投递键一行、可原子认领」的办法修掉了 webhook 重复。慢接收方要 2.5 秒才应答,清扫器每秒跑一次,同一笔支付在第一份确认落地前已经发出去三次。一行记录、原子认领,三次投递变成一次。我写完还颇为得意。
然后 rudratosh 留了条评论,把那点得意全掀了:认领行挡住的是重发,可 agent 依然认为这一步失败了。悄悄修好,agent 就会从一个「从未分配过键」的世界里规划下一步——而键明明存在。
他说得对。我跑了两遍来验证对到什么程度。同样的慢接收方、同样的认领行、同样的键 evt-1042,两次唯一的差别是规划器被允许知道什么。
问题的形状是这样的:盯着投递的规划器只有一秒耐心。发送开始一秒后它去查确认,什么也没听到——接收方需要两秒半——于是把这一步记成 UNKNOWN。确认在约 2.5 秒时落地,认领行转为 done,发送方在自己的日志里写下「ACK received」。这些在两次运行里都成立。问题只在于:规划器在决定下一步之前,有没有机会知道这件事。
我的主张很简单,也预料到有人会反驳:挡住重复只是这个修复容易的那一半。另一半是把「这一步成功了」明明白白告诉规划器,放在它真的会去看的地方。一个规划器从没听说过的修复,只能撑到它下一次做决定为止。
两次运行
第一次,规划器在规划任何事之前先读认领行。它查询 evt-1042 的状态,拿到 done。这个迟到的发现以它能看见的状态变化出现:UNKNOWN 变成 SUCCEEDED,就在那个键上,发生在运行的三秒半。它接下来的计划是第二步——给 evt-1042 发客户确认,并且不再重发 evt-1042。接收方记录到一次投递,重复支付为零。
第二次,规划器什么都不读。发送方的日志行在那儿,认领行写着 done,但规划器两个都没打开。它的信念还停在一秒时形成的 UNKNOWN,并据此规划:evt-1042 肯定失败了,那就重做这一步,换一个新键 evt-1043,再发一次支付。它确实这么做了。接收方记录到两次投递,第二次是在新键下的重复支付。同样的修复、同样的接收方、同样的时序,唯一差别是一次读取。
整套流程我跑了两遍,两次给出的数字和计划都一样。
问题一:信念形成得早,然后就冻住了
规划器在一秒时没做错什么。以它掌握的信息,UNKNOWN 是诚实的答案:没有确认、接收方慢、这一步可能失败。错的不是这个信念,而是没有任何东西回头修正它。运行第一秒形成的信念,到第四秒还在左右计划,哪怕世界早已在它脚下变了——除非有东西回去查一次。
人们聊重试时常常漏掉这一点。他们争论超时和间隔,和昨天一样的争论,并把规划器当成一个像人一样全程盯着运行的东西。它不是。它只看自己最后一次看的那一刻,然后开始规划。如果最后一看是在第一秒,计划就建在一个一秒前的世界上。
问题二:没人读的日志行不算反馈
这条最扎心,因为第二次运行里信息是齐的。发送方在自己的日志里写了「ACK received for delivery_id=evt-1042」,认领行也摆着 done。两个事实都在规划器做决定之前就存在,但都不起作用,因为规划器一个都没看。
日志行是日记,规划器在决定前读到的状态变化才是反馈。区别不在事实存在哪里,而在做决定时有没有读它。我建过的每个系统里都有一堆再没人看过的日志,我也抓到自己指着那些日志,好像它们的存在就证明了什么被传达过。它只证明有东西被写下来了,这两件事不一样。
问题三:重做时换了新键,认领行救不了
这一段让「悄悄修」从「不完整」变成「主动危险」。规划器重做这一步时不会复用 evt-1042,它分配新键 evt-1043,因为在它看来第一个键属于一个失败的步骤。认领行保护的是一个键,它保护不了一笔规划器认为从未发生过的支付。第二次运行里的重复没有绕过认领行——它是从正门走进来的,戴着一个新键。
所以「下游不依赖 agent 知情时就悄悄修」这条规则,比听起来窄得多。支付确认、链条上的下一步、客户邮件,全都依赖 agent 知情。悄悄修唯一安全的场景,是这一步后面根本没有下一步,而这样的步骤比看上去少。
问题四:让规划器知情,成本是一次读取
这一半的修复小得让人不好意思,大概正因如此才总被跳过:规划器决定下一步之前,先读它正在决定的那个键的认领行。一次读取、一个状态,done 或没 done。在我的运行里,这次读取就是一次投递和两次投递、一封确认邮件和一笔重复支付之间的全部差别。
有人会想把它做得更花哨——搭通知通道、事件总线、监听器。先忍住。规划器本来就会读这一行,这一行本来就存着真相。缺的从来不是通道,是「决定之前先读」的习惯。
两个诚实的边界,因为测试很小。第一,这是我本机上的规划循环桌面模型,不是真实的 agent 框架:一个键、一个接收方、只有一条规则的规划器——按你真正读到的最新状态来规划。真实 agent 的输入更多,但失败的形状一样:信念形成得早,再没被纠正。第二,认领行在现实里还需要租约,崩溃的认领方会永远占着那一行,这部分在这里仍未测试,和昨天一样。
如果你让 agent 对接 webhook,或对接任何「步骤可能慢慢成功」的东西,你大概见过这个 bug。你的 agent 拿到迟到的成功之后做了什么——重做一遍,还是当作什么都没发生继续走?你的规划器又在哪里把状态读回来,规划之前,还是从来不读?
热门跟贴