当智能体从"演示"走向"生产"，最致命的往往不是模型能力，而是它能不能在被打断后原样接上。一个跑了六小时、完成 47 次工具调用的研究智能体，一旦 API 超时就要从零重启——再烧六小时、再花一遍 token，这是 2026 年企业级 Agent 部署的头号故障源（数据显示 73% 的部署在第一年内发生可靠性故障）。本篇横评把"中断—恢复—人机接力"作为一把新尺子，量六栈智能体框架（LangGraph、Claude Agent SDK、OpenAI Agents SDK、Strands、CrewAI、AG2）在这条能力上的真实差距，并向下穿透到 Temporal、Restate、DBOS、Inngest、Hatchet 这层"持久化执行"引擎。核心结论一句话：框架的 checkpoint ≠ 持久化执行，前者挡得住应用级失败（错误分支、人机暂停），挡不住基础设施级失败（容器崩溃、宿主抢占），而动钱、发邮件这类不可逆副作用的智能体，必须在这两层之上都买保险。
| 维度 | LangGraph | Claude Agent SDK | OpenAI Agents SDK | Strands Agents | CrewAI | AG2 |
|---|---|---|---|---|---|---|
| 中断原语 | 原生 interrupt() |
事件流中断 | Harness resume 记账 | 自定义工具实现 | human_input=True |
GroupChat 管理者 |
| 恢复机制 | Command(resume=…) |
Session 自动续接 | resume bookkeeping | 手动 DynamoDB/S3 | 任务回放 | MemoryStream 事件回放 |
| 持久化后端 | MemorySaver/SQLite/Postgres/DynamoDB | Session 存储内置 | Session（2026 新增） | 手动接入 | 文件式 | Redis/文件 |
| 状态模型 | 类型化状态图+reducer | 沙箱环境即状态 | 上下文变量+对话 | 对话历史 | 任务上下文+共享记忆 | 对话历史+MemoryStream |
| 粒度 | 每个超步（super-step） | 会话级 | Harness 步级 | 无原生 | 任务级 | 事件级 |
| 人机接力 | 一等公民 | 事件流 | 审批回调 | 自定义 | 基础 | GroupChat 控制 |
| 反序列化正确性 | 高（reducer 显式） | 高（沙箱快照） | 中 | 低（需手写） | 中 | 中 |
interrupt() 把人机接力变成语言级原语LangGraph（月下载量超 4700 万）之所以在中断—恢复这条赛道上一骑绝尘，是因为它把"暂停等人类"做成了和 if/else 一样自然的语言原语。架构原理很直接：图在每个超步（super-step）结束时通过 checkpointer 把整个 State 对象写入后端，键是 thread_id；任意节点里调用 interrupt(payload)，图就真正挂起，payload 通过返回值 result["__interrupt__"] 交给前端渲染；人类拍板后，用同一个 thread_id 再 invoke(Command(resume=…))，恢复值会直接回到那次 interrupt() 调用处继续往下走，没有轮询循环，没有手写异步。
from langgraph.types import interrupt, Command
from langgraph.checkpoint.memory import MemorySaver
def approval_node(state):
decision = interrupt({"q": "批准这笔 500 美元转账吗？", "details": state["action"]})
return Command(goto="proceed" if decision else "cancel")
graph = builder.compile(checkpointer=MemorySaver()) # 无 checkpointer 则无法恢复
config = {"configurable": {"thread_id": "approval-123"}}
graph.invoke({"action": "Transfer $500"}, config=config) # 挂起
graph.invoke(Command(resume=True), config=config) # 同一 thread_id 续跑
最关键、最容易被忽略的一点：必须把 interrupt() 放在危险操作之前，而不是之后——很多人写成"先执行 DELETE 再 interrupt 问是否 OK"，那就已经晚了。优缺点方面，原生支持、reducer 让并发写入可预测、LangGraph Studio 还能逐节点回放与"时间旅行"，是六栈里最强的调试体验；代价是状态图样板代码重、曲线陡。变现评估：这是训练营里"生产级 Agent 工程"模块的最佳抓手——一个"转账审批"或"SQL 变更审批"的可交互 demo，能把课程客单价直接拉到企业级档位，因为买方真正担心的就是这一刀。
Claude Agent SDK（前身 Claude Code SDK，2025 年底更名）走的是完全不同的路：它不把 Agent 当成一串轻量函数链，而是当成一个有状态、沙箱化的运行时。核心四概念是 Agent（封装模型、系统提示、工具、MCP、skills）、Environment（容器模板：包、网络、文件挂载）、Session（环境内一个常驻实例，跨轮保持状态）、Events（应用与 Agent 之间的消息流）。中断—恢复在这里几乎是"免费"的：状态不是存在某个抽象 State 字典里，而是就活在会话环境本身——写进磁盘的文件、设置的环境变量、建好的数据库，全部跨轮持久；Session 在失败后自动续接。
from claude_agent_sdk import Agent, Session
agent = Agent(model="claude-sonnet-4-20250514", tools=[read_csv, run_query],
mcp_servers=["filesystem", "postgres"])
async with Session(agent, environment="data-analyst-env") as session:
resp = await session.send("分析 Q1 营收趋势") # 中途崩溃也能续
async for event in resp: print(event)
这种"状态即环境"的模型，对编程智能体、数据分析智能体这类会持续产出产物的任务极其自然——工作目录里的中间文件就是断点，根本不需要你显式 checkpoint。缺点同样明显：深度耦合 Claude 模型，无法换 GPT/Llama；沙箱本身有运维成本（虽然 Claude Managed Agents 把容器编排托管了）。变现评估：最适合包装成"代码 Agent / 数据分析 Agent 训练营"，卖点就是"沙箱里跑坏了也不污染宿主、断了能续"，对要在客户真实数据上跑的 to-B 场景是硬通货。
OpenAI Agents SDK 从实验性的 Swarm 进化而来，2026 年 4 月的 Harness 升级是它的转折点——这套脚手架（驱动 Codex 的同一套）把指令、工具、审批、追踪和resume bookkeeping全打包了，让长跑智能体能在中断后接续，并支持沙箱执行。它的心智模型是 handoff 中心：一个 Agent 可以通过产生 handoff 把控制权连同完整上下文转给另一个 Agent，天然映射客服分层、流水线这类场景。但 handoff 本质是顺序的，原生并不擅长并行 Agent 执行或图式路由。
真正让它在中断—恢复这条赛道上"弯道超车"的，是 OpenAI Agents SDK 与 Temporal Python SDK 的 GA 集成（2026 年 3 月 23 日）：一个 TemporalRunner 把每次 Agent 调用包成 Temporal activity，activity_as_tool 把 Temporal activity 自动转成 OpenAI 兼容的 tool schema——崩溃防护几乎零成本白送。OpenAI 自己就在生产用 Temporal 跑 Codex。变现评估：这是 GPT 生态学员最快的"耐久化"上车路径，"一行配置让 Agent 抗崩溃"的标题极具传播力，适合做中等客单价的进阶课。
把六栈放到一起看，最大的认知陷阱就在这里——框架的 checkpoint 和"持久化执行（durable execution）"是两种强度不同的保证。LangGraph 1.0 在每个超步把图状态快照到 Postgres/DynamoDB，按 thread_id 取回，这确实能让 Agent 在失败后恢复，是真的、是有用的。但"每个超步检查点"和"从日志做 exactly-once 步骤回放，跨任意崩溃"不是一回事。更精确的分工是：
生产部署往往两层都要。而且所有这些引擎能成立，都靠同一条铁律：LLM 调用、工具调用、外部副作用必须被推进"已记录的步骤"里，只跑一次，崩溃后从日志回放。哪个供应商对这条边界含糊其辞，就离它远点。变现评估：这条"两层保险"的认知差，本身就是企业内训的高价值内容——大量团队以为接了 LangGraph checkpointer 就万事大吉，实际在动钱场景下会出事，把"为什么你的 Agent 会在第 30 小时丢状态"讲透，是顾问式变现的金牌选题。
当框架检查点不够用，就该在框架下面垫一层引擎。三者实现机制各异，但都遵循"把每个已完成步骤在下一步运行前持久化，崩溃后回放而非重跑"这一核心：
ctx.get/ctx.set 不计费，可部署到 Cloudflare Workers/Vercel/Deno。便携性与边缘适配是它的赌注。@DBOS.workflow() / @DBOS.step() 装饰函数，状态直接写进你自己的 Postgres（workflow_status 表记 PENDING、operation_outputs 表存步骤输出）；重启时后台线程扫描 PENDING 工作流从最后完成步骤续跑。@DBOS.step(retriesAllowed, intervalSeconds, maxAttempts) 让重试策略声明式、按步配置。运维成本最低，规模履历最短。变现评估：三家分别对应"大厂规模 / 边缘 Serverless / 极简 Postgres"三个故事，可拆成三条独立的"耐久化落地"实操课；其中 DBOS"无服务器、只加一个库"对中小团队最有吸引力，适合做入门级训练营的压轴模块。
最后回到一组冷硬的数字，它们解释了为什么中断—恢复在 2026 年从"锦上添花"变成了"生死线"。任务时长翻倍，失败率翻四倍；85% 的单步准确率在十步链条上会失败五分之四，二十步时存活在统计上几乎不可能；95% 的单步成功率在十步任务上整体完成率只剩 60%，五十步跌破 8%。生产数据更扎眼：连续执行超过 35 分钟后成功率显著下滑，GPT-4o 跑复杂办公任务、缺持久化基础设施时失败率超 91%，多会话任务缺外部状态管理时失败率高达 98%。
算一笔经济账：一个多日研究智能体在第四小时崩掉，无检查点=四小时计算重跑+token 双倍+上下文可能自相矛盾；有检查点（假设 5 分钟间隔）=只补 5 分钟。生产部署分析显示，检查点能把多步工作流的无效处理削减 60% 以上。据此可得到一张清晰的分层决策表：任务 10 分钟以内 → 自建轻量检查点即可；10 分钟到 4 小时、非确定性决策图复杂 → LangGraph + Postgres/DynamoDB；超过 4 小时、或多 Agent 编排依赖复杂、或涉及不可逆副作用 → 上 Temporal Cloud，OpenAI Agents SDK 的 GA 集成让 GPT 系几乎零成本接入。变现评估：这张"按任务时长分层选型"的决策表，是 to-B 咨询的黄金交付物——企业最怕的就是"选错了层、要么过度工程、要么上线即崩"，把它做成选型工作坊，客单价和复购率都高。
flowchart TB
subgraph APP["应用 / 人机接力层"]
H[人类审批 UI]
end
subgraph FW["智能体框架层（中断原语）"]
LG[LangGraph interrupt + checkpointer]
CA[Claude Agent SDK Session/Environment]
OA[OpenAI Agents SDK Harness resume]
ST[Strands 模型驱动循环]
CR[CrewAI human_input]
AG[AG2 GroupChat/MemoryStream]
end
subgraph DE["持久化执行引擎层（exactly-once 回放）"]
TP[Temporal 工作流回放]
RS[Restate 单二进制 journal]
DB[DBOS 库+Postgres]
IN[Inngest 步级记忆化]
HT[Hatchet 托管任务队列]
end
subgraph INFRA["基础设施失败域"]
CB[容器崩溃 / 宿主抢占 / 网络分区 / API 限流]
end
H <-->|Command resume / interrupt payload| FW
FW -->|状态/快照 checkpoint| DE
FW -.挡得住.-> APPFAIL[应用级失败: 错误分支/推理漂移/人机暂停]
DE -.挡得住.-> CB
DE -->|回放日志| FW
classDef app fill:#fef3c7,stroke:#d97706,color:#000
classDef fw fill:#dbeafe,stroke:#2563eb,color:#000
classDef de fill:#dcfce7,stroke:#16a34a,color:#000
classDef infra fill:#fee2e2,stroke:#dc2626,color:#000
class H,APPFAIL app
class LG,CA,OA,ST,CR,AG fw
class TP,RS,DB,IN,HT de
class CB infra
interrupt() + Command(resume=…) + 一个 MemorySaver。从安装到第一个"转账审批"demo 半小时内搞定，是教学与拉新的最佳起点。TemporalRunner 把每次调用变 activity，崩溃防护白送，OpenAI 自家 Codex 同款。human_input=True 够用；但要清醒它"任务回放"粒度粗，动钱场景不够。interrupt() 永远放在危险操作之前；thread_id 与 checkpointer 缺一不可。[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。