为什么生产环境的智能体必须能断点续跑
一句话结论：智能体断点续跑的核心是”每步之后落盘状态、恢复时按 thread_id 回放”——LangGraph 的 checkpointer 在每个节点执行后自动保存快照，中断（甚至进程崩溃）后用同一个 thread_id 重新 invoke，就能从最后一步继续，而不是从头再烧一遍 token 。
跑十分钟以内的玩具智能体可以不关心持久化；一旦任务跑得久、调的 API 贵、失败概率不低，没有 checkpoint 的智能体每次失败都从第 1 步重来，时间和钱都是双倍浪费。断点续跑不是锦上添花，是生产门槛。
LangGraph 的两个持久化原语
LangGraph 把持久化分成两层，别混用：
| 组件 | 存什么 | 作用域 | 典型用途 |
|---|---|---|---|
| Checkpointer | 图状态快照（每节点执行后） | 单线程（thread） | 断点续跑、 HITL 、容错、时间旅行 |
| Store | 应用定义的键值数据 | 跨线程 | 用户偏好、长期事实、共享知识 |
大多数应用两个都用：checkpointer 跟踪当前会话，store 管跨会话的长期记忆。
三步跑通断点续跑
- 编译时挂 checkpointer：开发用
InMemorySaver()（重启即丢），生产必须换PostgresSaver/SqliteSaver。 - 调用时带 thread_id：
config = {"configurable": {"thread_id": "run_123"}}，它就是你的持久化游标。 - 恢复时以 None 为输入重新 stream：
graph.stream(None, config)会从该 thread 的最后一个 checkpoint 继续；换一个 thread_id 或漏掉 config，就会静默地从头开始。
from langgraph.checkpoint.sqlite import SqliteSaver
checkpointer = SqliteSaver(conn=sqlite3.connect(".checkpoints"))
graph = workflow.compile(checkpointer=checkpointer)
# 首次运行
for event in graph.stream(initial_state, config, stream_mode="updates"):
print(event)
# 崩溃/中断后恢复：thread_id 必须完全一致
for event in graph.stream(None, config, stream_mode="updates"):
print(event)最阴险的 bug 是”静默丢档”：恢复时传了不同的 thread_id 或干脆没传 config，代码不报错，但执行从入口节点重新开始，之前的 checkpoint 全部作废。上线前把这个场景写进测试。
中断恢复与人工审批
checkpointer 的孪生能力是 interrupt()：节点内调用后，图暂停、状态落盘、控制权交还调用方，可以等几秒也可以等几天，之后用 Command(resume=value) 注入应答继续执行——甚至可能在另一台机器上恢复。这就是人机协作审批的标准实现：智能体到达不可逆操作（转账、删库、发邮件）前暂停，把证据交给人类，批准后从同一行代码继续。 HITL 审批点怎么选位置，见 智能体人机协作（HITL）落地。
三个生产级注意点
- 节点幂等：恢复时 LangGraph 可能重放同一个节点，外部副作用（API 调用、写库、发邮件）必须可安全重复，或包成幂等操作。
- checkpoint 膨胀：长对话会积累大量快照，拖慢恢复并占用存储，要定期清理或设保留策略。
- 时间旅行调试：
graph.get_state_history(config)拿到全部历史快照，可以 fork 到任意一步重放，复现一次糟糕的运行不必重跑整段对话。
图结构本身怎么搭，先读 LangGraph 智能体教程；跨上下文窗口的长时任务整体设计（Harness 模式）见 长时运行智能体怎么搭；规划与执行的衔接参考 智能体 Planning 规划模式，LangChain 基础不牢的话从 LangChain 入门教程 补起。
MemorySaver 为什么不能上生产？
它把 checkpoint 存在进程内存里，重启全部丢失，等于没有持久化。生产用 PostgresSaver（最常见，事务性可靠）、 SqliteSaver（单机小应用）或 Redis/DynamoDB 后端。
断点续跑和重试有什么区别？
重试是单个调用失败后再试一次；断点续跑是整个任务在任意步骤中断后，从最后一个完成的状态继续。长链路任务里两者都要：节点内做重试，节点间靠 checkpointer 兜底。
什么时候不需要 checkpoint？
任务总时长小于 10 秒、失败重试成本可忽略、一次性演示脚本。满足任一条就可以先跳过，其余生产场景默认都该挂上。
参考来源：LangChain 官方文档 LangGraph Persistence 与 Interrupts 章节（docs.langchain.com）。
评论 (0)