子 Agent 崩溃或超时，主流程怎么兜底？

先这样答

处理子 Agent 崩溃或超时，整体遵循隔离、检测、梯度兜底和状态保持四个步骤。设计原则是让异常限制在局部环境，按先自救再上报的顺序处理，避免脏数据污染全局。

隔离与检测是前提。子 Agent 需运行在独立的进程或沙箱中，确保崩溃不波及主循环与兄弟 Agent。主流程通过心跳机制或进度上报监控状态，并设置全局超时熔断防止死锁。针对每步设定工具级或任务级的超时预算。捕获异常后，系统会区分可重试的瞬时错误与不可重试的逻辑错误，以决定后续策略。

兜底执行采用逐级递进策略。首先是带退避机制的限次重试；若重试耗尽，则降级使用更简单的工具或小模型路径；若当前路径走不通，将任务委派给另一子 Agent；当横向尝试均失败，再向上抛出异常，由主 Agent 重新规划；最后才是转人工并向用户输出失败说明。此过程必须保证状态一致性。子 Agent 的写入要求幂等或事务化，失败后回滚现场再重试，防止半成品状态污染环境。对于长任务，引入检查点机制让任务从断点续跑，避免全量重来。

兜底顺序体现先自救再上报的逻辑，同时保证失败路径在日志和追踪中可观测，便于事后归因。

面试官会怎么追问

• 「如果是子 Agent 调用外部工具时卡住，怎么防止主 Agent 被拖死？」 主流程需设置全局超时熔断机制。下发任务时给子 Agent 分配明确的超时预算。一旦到达截止时间，主流程直接在沙箱层面强杀子 Agent，回收资源并触发上抛逻辑，防止无限等待。
• 「重试时怎么保证执行了一半的操作不产生脏数据？」 依赖状态一致性设计。要求工具调用具备幂等性，或采用事务化处理。触发重试前，主流程先执行现场回滚，清理半成品状态。对于长任务，依赖检查点机制从上一个断点恢复。
• 「异常分类中，怎么区分瞬时错误和逻辑错误？」 通过解析错误信息判断。网络抖动、接口限流导致的超时归为瞬时错误，适合退避重试。模型幻觉导致的参数格式错误、权限拒绝属于逻辑错误，重试无效，需直接降级或交主 Agent 重新规划。

回答的坑

遇到异常直接回答让主 Agent 重新规划，忽略局部重试和降级，会导致算力浪费与延迟增加，正确方向是遵循梯度兜底顺序。

只强调重试次数，不提环境隔离与状态清理，会导致脏数据累积，正确方向是把幂等回滚和沙箱隔离作为前置条件。