《AI Agent 技术原理与架构·运行时、协议与系统架构》11.3 部分结果合成与补偿

并行拆分的子任务可能部分成功、部分失败。合成器要把成功的汇总返回、失败的计成缺项,统计完成度;有副作用的失败要进补偿计划,成功后回滚。三种合成模式——全部成功、部分成功、全部失败——对应三种返回语义。实验演示混合场景的 0.67 完成度与补偿计划,说明部分结果处理是多智能体的容错终章。

以下子任务成败与完成度为教学假设,不构成对任何真实系统、供应商或生产环境的承诺。“部分成功就返回部分、失败要补偿"这两条语义不变,具体阈值与补偿动作按业务实测。

11.2 讲了重试怎么节制,这一节讲并行任务的收尾:子任务有赢有输,结果怎么合成。合成器把成功的汇总返回、失败的计成缺项,有副作用的失败要进补偿计划。这是容错的终章——前面所有防御都失效了,最后要给出一个体面的收尾。

三种合成模式

并行子任务的成败组合有三种,对应三种返回语义:

模式场景语义
全部成功所有子任务 ok返回全部结果
部分成功有赢有输返回成功部分,标完成度
全部失败全输返回失败态,无结果

模式决定"敢不敢返回”。 全部成功完整返回,全部失败干脆失败,最难的是部分成功——既不能假装全好,也不能因为一个子任务失败就抛弃全部成果。部分成功要返回成功的那部分,并诚实标注完成度。

补偿:副作用的善后

失败不是"没做",可能是"做了一半"。有副作用的失败要进补偿计划——成功的子任务被后来的失败牵连时,要回滚。补偿计划列出"该撤销什么",不执行,交给后续或编排者执行。

子任务状态补偿
doc_a成功不补偿
doc_b失败revert:doc_b
doc_c成功不补偿

最小实验:合成与补偿

实验提供 compose(三种模式合成 + 完成度统计)与 compensate(失败子任务生成补偿计划)。

# file: agp_lab/partial_results.py | write
# tier: 3
# verify: python3 -m unittest tests.test_partial_results
"""部分结果与补偿:并行子任务成败不一时如何合成结果。

并行拆分的子任务可能部分成功、部分失败。本模块实现"部分结果合成":
成功的子结果汇总返回,失败的子任务按类型计入补偿计划或标记缺项,
并统计整体完成度,演示"全或无"与"尽量返回"的取舍。
"""
from __future__ import annotations

from dataclasses import dataclass
from typing import Any


@dataclass(frozen=True)
class SubtaskResult:
    name: str
    ok: bool
    value: str | None = None


def compose(results: list[SubtaskResult]) -> dict[str, Any]:
    ok = [r for r in results if r.ok]
    failed = [r for r in results if not r.ok]
    degree = len(ok) / len(results) if results else 1.0
    if not failed:
        mode = "complete"
    elif ok:
        mode = "partial"
    else:
        mode = "all_failed"
    return {
        "success_count": len(ok),
        "failed_count": len(failed),
        "completion": round(degree, 2),
        "values": [r.value for r in ok],
        "mode": mode,
    }


def compensate(results: list[SubtaskResult]) -> list[str]:
    """失败子任务的补偿动作(教学映射)。"""
    plan = []
    for r in results:
        if not r.ok:
            plan.append(f"revert:{r.name}")
    return plan


def demo() -> dict[str, Any]:
    mixed = [
        SubtaskResult("doc_a", True, "A"),
        SubtaskResult("doc_b", False),
        SubtaskResult("doc_c", True, "C"),
    ]
    all_ok = [
        SubtaskResult("a", True, "1"),
        SubtaskResult("b", True, "2"),
    ]
    return {
        "mixed_compose": compose(mixed),
        "all_ok_compose": compose(all_ok),
        "compensation_plan": compensate(mixed),
        "completion_all_ok": compose(all_ok)["completion"],
    }


if __name__ == "__main__":
    for key, value in demo().items():
        print(f"{key}: {value}")

运行:

cd private/labs/agp-lab
python3 -m agp_lab.partial_results

输出:

mixed_compose: {'success_count': 2, 'failed_count': 1, 'completion': 0.67, 'values': ['A', 'C'], 'mode': 'partial'}
all_ok_compose: {'success_count': 2, 'failed_count': 0, 'completion': 1.0, 'values': ['1', '2'], 'mode': 'complete'}
compensation_plan: ['revert:doc_b']
completion_all_ok: 1.0

四条输出对应四件事:

  1. mixed_compose:2 成功 1 失败,完成度 0.67,模式 partial,返回成功部分 ['A', 'C']。部分成功就返回部分,不假装全好也不抛弃全部。
  2. all_ok_compose:全成功,完成度 1.0,模式 complete,返回全部。全部成功完整返回。
  3. compensation_plan:失败的 doc_b 生成补偿 revert:doc_b。失败的副作用要记账,成功后执行回滚。
  4. completion_all_ok:全成功的完成度 1.0。完成度把"做完了多少"量化——1.0 是满分,0.67 是诚实标注。

一个值得点破的细节:mixed_compose 返回 values: ['A', 'C'] 但没有 doc_b 的占位——成功的部分如实返回,失败的部分连占位都不给。这比"返回一个 null 占位"更诚实:null 让调用方以为"结果里有个缺口",而这里明确"这个子任务没有产出,别指望它"。compensation_plan 只列 revert:doc_b——补偿只针对失败的,成功的子任务不动,避免把已经做好的成果也回滚掉。

完成度的口径

完成度要定口径。0.67 是按子任务数算的(2/3),也可以是按价值加权算的——一个关键子任务失败的完成度,应该比一个边角任务失败低。完成度不是"成功比例"这么简单,是"完成了多少重要的事"。

口径计算适用
数量成功数 / 总数子任务价值均等
加权Σ成功权重 / Σ总权重关键子任务更重

完成度要让调用方知道该不该用这个结果。 0.67 的部分结果可能足够"下一步先跑起来",也可能太残缺要重新规划。合成器要给出完成度,让上层判断,而不是替上层决定。

部分结果与 11 章、10 章的接口

合成是容错链的末端,上游都往这里汇。11.1 的分类决定失败的进路——可补偿失败进补偿计划、致命失败让模式变成全部失败;11.2 的熔断影响合成——熔断打开的快速失败计成子任务失败,合成器按失败处理。10.1 的责任链告诉合成器"每份结果该归谁"——合成失败时,责任定位到具体的子任务与责任者。部分结果处理是容错的收尾,它把前面所有防御的结果汇总成"拿得出手的答复"。

部分结果的决策接口

上层拿到部分结果要能决策。部分成功不代表失败,但也不代表可交付——合成器要提供足够信息让上层判断。三个信号最有用:完成度(做了多少)、缺项清单(什么没做)、补偿计划(要回滚什么)。把这三个信号暴露出来,上层才能决定"继续、补救还是放弃"——这是 12 章评估的一个输入面。

全部失败的返回

全部失败时返回什么?不是"错误"两个字,而是失败的画像——几个失败、各什么类别(11.1)、有没有补偿计划。全部失败要区分"都失败了但有补偿路径"和"彻底失败"。补偿计划存在,就可以回滚重试;补偿计划空,失败就是终态。

全败状态含义
有补偿计划可回滚再试
无补偿计划彻底失败

全败的画像要交给上层决策。 上层判断"能不能补救",依据就是画像:哪些子任务失败、有没有副作用要回滚、要不要整体重来。合成器给画像,不给情绪——“失败"两个字提供不了决策信息。

补偿的执行时机

补偿计划生成不等于执行。补偿的执行时机有两个选择:立即回滚,或整体判定后统一回滚。立即回滚快但可能白滚(整体还要重来);统一回滚是等所有子任务结果齐了,判定整体成败再动。

时机优点代价
立即副作用窗口短可能白滚
统一判定后再动副作用窗口长

统一回滚更常用。 部分成功时,往往有子任务可以挽救整体——先不滚,等上层决策"重试失败子任务"还是"整体放弃”。统一回滚与补偿计划配合:计划列出该滚什么,判定决定何时滚。

部分结果与降级

部分结果本身是降级的一种。完整结果不可得时,部分结果 + 完成度 + 缺项清单,是比"失败"更有用的降级——上层可以用部分结果先跑通关键路径(完成度够的话),缺项清单告诉上层补什么。降级不是"从完整变失败",是"从完整变部分 + 明确的缺口"。

降级形态可用性
完整结果全可用
部分结果关键路径可用
失败 + 画像需决策
静默失败不可用且不可查

部分结果把"做完了多少"量化(完成度),把"缺什么"列出来(缺项),把"怎么善后"规划好(补偿计划)——这是容错能给出的最有用的降级。静默失败是最差的形态:既不可用又不可查,要坚决避免。

合成的幂等

合成操作要幂等。同一组子任务结果,合成两次结果一致——重放、重试时不会合成出不同的完成度或模式。合成是纯函数(输入子任务、输出合成),幂等天然满足,但要注意副作用:合成不该写状态、不该触发动作,只该计算。

操作幂等
合成天然(纯函数)
补偿要幂等(重复回滚无害)
记录要幂等(重复不重复记账)

幂等与 11.1 的重试接缝——失败重试时子任务可能重复返回,合成的幂等保证重试安全。补偿的幂等尤其关键:重复回滚不能把已回滚的再滚一遍。

部分结果的观测

部分结果要被观测。完成度、缺项、补偿计划要进追踪(12.1)——一次任务以 partial 模式收尾,追踪里要有记录,运维才能看到"多少任务在用部分结果续命"。观测数据是调优依据:partial 占比过高,说明任务拆分(9.3)或容错(11.1)有问题。

指标信号
partial 占比拆分/容错问题
完成度分布任务难度
补偿频率副作用风险

部分结果观测与 12 章评估接缝——partial 占比是任务质量的信号,进 12.2 的断言基线、12.3 的趋势。部分结果不只是容错的输出,是可观测性的输入。

架构判据

部分结果处理是否合格,用五条判据检查:

判据合格的样子不合格的样子
三种模式齐全全成/部分/全败都有部分成功被当成全成
完成度可算数量或加权可量化做没做完说不清
部分如实返回返回成功部分,不掺占位失败也塞 null
补偿只记失败只回滚有副作用的把成功成果也回滚
供上层决策暴露完成度/缺项/补偿上层无信息可用

判据第一条是"部分成功必须独立成模式",判据第三条才是关键:部分成功返回成功部分并诚实标注,不假装全好也不抛弃全部。判据第五条是容错与决策的接缝——合成器不给信号,上层就只能瞎猜。

小结

  • 三种合成模式:全部成功、部分成功、全部失败。
  • 部分成功返回成功部分,诚实标注完成度。
  • 完成度有口径:数量或按价值加权。
  • 补偿只针对失败的子任务,成功后执行回滚。
  • 合成器要暴露完成度、缺项、补偿计划,供上层决策。

阅读导航:上一节:11.2 熔断器三态与恢复 · 下一节:12.1 调用链追踪与 token 成本 。

常见错误与边界

  1. 部分成功当全成。 一个子任务失败就假装整体成功,下游被残缺结果误导。
  2. 一败全弃。 因一个子任务失败抛弃全部成果,浪费已完成的并行工作。
  3. 完成度无口径。 做没做完说不清,上层无法判断。
  4. 补偿连成功的一起回滚。 只回滚有副作用的失败,别把好成果也拆了。
  5. 不给上层信号。 合成器只返回结果不给完成度/缺项/补偿,上层只能瞎猜。

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图