03 Serverless 状态外置 → Agent Checkpoint
系列:云基础设施 → Agent 执行层:能力迁移 · 第 3 篇 定位:状态与持久化域 前置阅读:总纲 · 02 FaaS 冷启动
迁移核心问题:Serverless 说"实例随时会死,所以状态不能跟着实例走"。Agent 说"会话随时会死,所以状态不能跟着沙箱走"——同一句话,但状态从一层变成了三层,且其中混进了不可重放的 LLM 输出。
摘要
"计算无状态、状态外置"的 Serverless 教条在 Agent 场景依然成立,但 Agent 状态有推理上下文、任务进度、长期记忆三层,生命周期各异;更关键的是 LLM 输出不可重放,动摇了事件溯源"可复现"的根基。本文的核心设计推论:逻辑 Checkpoint 是唯一真相源,物理快照降格为加速器;审计目标从"复现"正式降级为"追溯"。
1. 当年的机制:状态外置的三件套
1.1 教条本身
Serverless 的第一设计原则:计算与状态分离。实例随时可能被回收、漂移、缩容,因此函数内不留任何不可再生的状态。这条教条衍生出三件套:
- 外部存储分层:会话亲和 KV(热状态,毫秒级访问)→ 对象存储(冷归档)→ 日志流(审计事实);
- 事件溯源(Event Sourcing):状态不是被"更新"的,是被事件流"重放"出来的——当前状态 = f(事件历史)。任何实例死了,重放事件即可原地满血;
- 乐观并发控制:多实例并发推进同一实体时,用版本号 + CAS(Compare-And-Set)检测冲突,而不是用分布式锁阻塞吞吐。
这三件套在 Workflow 引擎(Temporal 系、AWS Step Functions)中达到成熟形态:把状态机本身作为服务托管,业务代码只写 handler,状态迁移、重试、补偿由引擎负责。
1.2 Workflow 引擎的关键设计
Temporal 类引擎把"活动(Activity)"的执行结果与"决策"分开存储:
- 活动结果(外部副作用的事实:调用了什么工具、返回了什么)→ 事件日志,追加写入;
- 工作流进度(决策点的状态机位置)→ 由事件日志重放推导;
- 重放一致性:同一段工作流代码 + 同一份事件日志 → 永远得到同样的状态机位置。
记住这个"永远",它是本篇的转折点。
2. Agent 状态:三层生命周期与一个致命差异
2.1 三层状态模型
| 层 | 内容 | 生命周期 | 存储选型 | 大小量级 |
|---|---|---|---|---|
| 推理上下文(短期) | ReAct 循环的消息窗口、工具调用历史 | 单轮~单任务 | 会话亲和 KV(内存层) | 100KB~数 MB |
| 任务进度状态(中期) | 断点语义:"完成 3/5 个子目标,第 4 步进行中" | 任务(小时~天) | 事件日志 + 逻辑 Checkpoint | KB 级 |
| 长期记忆(长期) | 用户偏好、沉淀知识、历史结论 | 租户(月~年) | 向量库 + 结构化记录 + 写入审计 | 持续增长 |
2.2 致命差异:不可重放性
Workflow 引擎的重放一致性建立在确定性代码上。Agent 的状态流里混进了 LLM 输出:重放同一份事件日志,决策点的状态机位置可以一致(结构性一致),但下一轮推理的走向无法一致(语义性发散)。温度、模型版本升级、检索结果的时间敏感性,都会让"同一输入不同输出"成为常态。
由此得出本篇最重要的设计推论:Agent 的 Checkpoint 体系必须把审计目标从"复现"降级为"追溯"。你无法让系统重演出同样的推理,但必须能回答"它当时为什么这么做"——决策日志(输入摘要、模型版本、检索命中、决策依据)是比状态快照更重要的资产。
3. 迁移设计:逻辑 Checkpoint 与物理快照的边界
3.1 两类 Checkpoint 的定义
边界铁律:
- 逻辑 Checkpoint 是唯一真相源(source of truth):恢复执行、审计追溯都以它为准;
- 物理快照是加速器,不是真相:它让恢复"快",但快照与事件日志冲突(并发推进分叉)时,以事件日志为准,快照作废;
- 物理快照的引用必须记入事件日志:每次快照写入 = 一条"已快照"事件(含快照 ID 与覆盖范围),否则恢复路径无法选择起点。
3.2 并发控制:CAS 的迁移
单 Agent 会话天然单线程推进?不——多 Agent 协作(Supervisor 派工、并行子任务汇总)会引入真正的并发写:
- 会话状态推进用乐观锁:RunEvent 流上做条件追加(
If version == N then append),多写入者冲突时只有一个胜出,败者读取新状态后重试或分叉; - 工具副作用不回滚、只补偿:Agent 调用外部工具产生真实副作用(发了邮件、写了库),状态回退到 Checkpoint 不能假装副作用没发生——恢复路径必须检查"该事件之后是否有未补偿的外部副作用",这需要工具调用与状态推进在同一事件流上对齐。
3.3 恢复路径:上下文重建的三种策略
物理快照可用时,恢复 = 拉快照(快路径)。快照不可用/过期时,从事件日志重建上下文:
| 策略 | 做法 | 成本 | 适用 |
|---|---|---|---|
| 全量窗口重放 | 重放所有消息历史 | O(历史长度),token 成本高 | 短会话 |
| 压缩重建 | 用历史事件流生成结构化摘要 + 最近 K 轮原文 | 中,摘要质量决定恢复质量 | 长会话主流方案 |
| 断点续推 | 从逻辑断点直接续跑,接受上下文变薄 | 低,但 Agent 可能"失忆式重复劳动" | 降级兜底 |
注意压缩重建引入了一个 Serverless 时代不存在的失败模式:摘要损耗——重建后的上下文丢了关键细节,Agent 重复执行已完成步骤(工具副作用二次发生)。缓解手段:任务进度状态里显式记录"已完成清单 + 结果引用",重建时先加载清单再续推,把"失忆重复"变成"查表跳过"。
3.4 长期记忆:写入审计是状态外置的新扩展
长期记忆层(向量库)是 Serverless 没有的新层,但它必须继承状态外置的老原则并加一条:
- 继承:记忆不驻留沙箱,检索式使用(RAG),沙箱死后记忆无损;
- 新增——写入审计:记忆写入是最高危的状态变更(记忆投毒 = 持久化的 prompt 注入)。每次写入必须记录来源(哪次会话、什么证据、经什么校验),高危写入(跨会话结论、用户画像变更)走审核队列。
这条在多 Agent 协作场景尤其致命:子 Agent A 的错误结论若直接写入共享记忆,会污染所有后续会话——写入权限按 Agent 角色 + 证据强度分级,是 04 篇身份系统在状态层的投影。
4. 迁移清单
- 三层状态是否分别建模(推理上下文/任务进度/长期记忆)?存储选型是否与生命周期对齐?
- 逻辑 Checkpoint 是否被确立为唯一真相源?物理快照是否降格为加速器且引用入事件日志?
- 事件流是否同时覆盖状态推进与工具副作用?恢复时是否检查未补偿副作用?
- 并发推进是否用 CAS?多 Agent 协作的分叉-合并语义是否定义?
- 上下文重建是否分三档(全量/压缩/断点续推)?是否有"已完成清单"防失忆重复?
- 记忆写入是否有来源审计与分级审核?是否考虑了多 Agent 记忆投毒路径?
- 决策日志是否记录模型版本与输入摘要——审计目标是否已从"复现"正式降级为"追溯"?
5. 下一篇
状态外置解决"会话死了能复活";但复活的前提是"死了不伤及无辜"——多租户与主动攻击者把隔离问题推向台前。见 04 多租户隔离 → Agent 沙箱选型与边界。