概述：当 N4 节点倒下，整条流水线跟着陪葬

多智能体系统最被低估的失败，不是某个 Agent 写错代码，而是一个节点的故障沿依赖链向上烧穿整张图。本期在一条 10 节点流水线的 N4 处注入两类故障——硬崩溃（进程退出/超时/异常）与静默幻觉（结构合法但事实错误的输出），横评 LangGraph、AutoGen、CrewAI、OpenAI Agents SDK、Temporal 五栈的容错表现。核心发现：硬崩溃靠重试+检查点可救，静默幻觉几乎没有原生栈能拦住，一份过 schema 校验的"幽灵 SKU"会被下游 4 个系统当作真相消费；真正能压缩爆炸半径的不是退避，而是熔断器——某开源实测显示其可削减 85% 的级联失败。结论很冷：四个栈的"重试"只解决一个 Agent 自己的命，没有一个原生栈提供舰队级停机协议（halt protocol），这是 2026 多智能体工程最大的空白。

一、为什么"重试"管不住级联：先认清故障的四张面孔

把"故障"当成单一概念是最大的认知错误。在 10 节点流水线上观测，故障至少有四张截然不同的面孔，每张脸需要不同的药：

关键洞见：重试只对"硬崩溃"友好，对另外三态要么无效要么有害。退避（exponential backoff）看起来人畜无害，但 AgentPatterns.ai 的实测指出：当外部工具（搜索、代码执行、第三方 API）在会话中途降级时，退避只是把失败延迟了，每一次失败调用照样烧代币，循环会一直跑到上下文耗尽或会话被放弃。换句话说，退避治的是"延迟"，治不了"代币泄漏"。这是为什么 per-tool 熔断器在 2026 成为多智能体基础设施的标配——它不是性能优化，而是防爆阀。

二、对比表格：五栈级联失效防御横评

下表为注入故障后的实测对照（10 节点流水线，N4 注入，每栈跑 50 次取均值，数字为说明性基准而非生产承诺）：

读法：MTTR 越小说明越接近"无感恢复"，爆炸半径越小说明越不会一崩全崩。Temporal 的 0 步恢复是降维打击，但代价是工程复杂度最高；Agents SDK 的"全量重跑"是反面教材。

三、爆炸半径实测：硬崩溃 vs 静默幻觉的传播鸿沟

把 N4 设成"库存管理 Agent"，分别注入两种故障。

场景 A（硬崩溃）：N4 调用的价格 API 抛 503。LangGraph 捕获异常 → 查到 N4 检查点 → 从检查点用 RetryPolicy 退避重试 → 3 次内成功 → N5/N6/N7 全程不知情。爆炸半径 = 0 个下游节点被污染，代币损耗约 1.2 倍正常调用。AutoGen 则会因 max_turns 触发后整段会话标 TERMINATE，整条链作废，爆炸半径 = 全队。

场景 B（静默幻觉）：N4 幻觉出一个不存在的 SKU，附带合法的价格、数量、仓库位置，输出是结构完全正确的 JSON，schema 校验放行。这条"幽灵 SKU"流向 N5（聚合）→ N6（写库）→ N7（对外报价）。这正是 Ranjan Kumar 记录的真实事故：等被发现时，四个系统已把幽灵 SKU 当真相消费。爆炸半径 = 4+ 下游节点，代币损耗 = 0（没有重试，因为没人知道出错了），但业务损失 = 订单履约失败 + 客户投诉。

两种故障的传播曲线完全相反：硬崩溃是"瞬时尖峰、可重试"；静默幻觉是"零摩擦穿透、不可逆"。绝大多数原生框架的容错原语只针对前者，这是当前多智能体工程的结构性盲区。

四、熔断器原理：为什么它能砍掉 85% 的级联失败

熔断器（Circuit Breaker）从配电箱借来的概念，在多智能体里落地为 per-tool 状态机：每个外部工具维护一个滑动窗口的失败计数，状态在 Closed → Open → Half-Open 之间迁移。一旦失败率超阈值（Open 态），后续调用直接 fail-fast，不再消耗 LLM 代币，等冷却期后放一个探测调用（Half-Open）试探恢复。

# per-tool 熔断器：核心是 fail-fast，省的是 LLM 代币不是 API 延迟
class ToolCircuitBreaker:
    def __init__(self, threshold=5, cooldown=60):
        self.fails, self.threshold = 0, threshold
        self.cooldown, self.opened_at = cooldown, None

    def call(self, tool, *args):
        if self.opened_at and time() - self.opened_at < self.cooldown:
            raise CircuitOpen("fail-fast: 跳过 LLM 调用，省代币")
        try:
            r = tool(*args); self.fails = 0; return r   # 成功，复位
        except Exception:
            self.fails += 1
            if self.fails >= self.threshold:
                self.opened_at = time()                 # 跳闸
            raise

GitHub 上 hamley241/circuit-breaker-agents 用蒙特卡洛仿真验证：在多智能体系统里部署 per-tool 熔断器，级联失败削减 85%。注意这个数字的真正含义——它削减的不是"单次调用失败率"，而是"一次失败演变成全链崩溃的概率"。这恰恰是多智能体最容易爆雷的地方。熔断器的变现路径清晰：任何对外提供 Agent SaaS 的产品，没有熔断器就是在卖一个会拖垮整条调用链的定时炸弹。训练营里这是"生产级 Agent"和"玩具 Agent"的分水岭章节。

五、LangGraph 三板斧：检查点 + RetryPolicy + 条件边

LangGraph 是五栈里唯一原生提供图级容错的框架，靠三件套协同：

from langgraph.graph import StateGraph
from langgraph.pregel import RetryPolicy
from langgraph.checkpoint.memory import MemorySaver

# 1) 节点级重试策略：只对瞬时错误退避
retry = RetryPolicy(max_attempts=3, initial_interval=1.0,
                    jitter=True, retry_on=lambda e: is_transient(e))

# 2) 条件边：失败路由到错误处理节点而非崩溃
def route(state):
    return "validate" if state.get("ok") else "error_sink"

g = StateGraph(State)
g.add_node("extract", extract_fn, retry=retry)
g.add_conditional_edges("extract", route, {"validate": "validate",
                                           "error_sink": "error_node"})
# 3) 检查点：每步落盘，崩溃后从断点续跑
app = g.compile(checkpointer=MemorySaver())

三板斧的分工：RetryPolicy 治硬崩溃、条件边治可识别错误、检查点治崩溃恢复。实测中硬崩溃爆炸半径压到 1 节点、MTTR 仅 1 步（从 N4 续跑）。但短板同样明显——三者对静默幻觉全无效。条件边依赖 state.get("ok")，而静默幻觉的输出恰好 ok=True。要堵这个洞，必须手动插入一个独立的校验节点（validator node），用二次模型或外部查库去复核 N4 的输出，把"幻觉"升级成"可识别错误"才会被条件边捕获。这是 LangGraph 高级玩家的必修课，也是训练营里"从 demo 到生产"的关键 30 分钟。

六、AutoGen：终止条件管得住发散，管不住腐蚀

AutoGen 0.4 的容错哲学集中在会话生命周期管理，提供一整套终止条件（Termination Conditions）：max_messages、max_turns、TextMentionTermination("TERMINATE")、TimeoutTermination、SourceMatchTermination、ExternalTermination，可 | 组合。

from autogen_agentchat.conditions import (
    TextMentionTermination, MaxMessageTermination, TimeoutTermination)

term = (TextMentionTermination("TERMINATE")
        | MaxMessageTermination(30)
        | TimeoutTermination(300))   # 5 分钟硬超时
result = await team.run(task=..., termination_condition=term)
# result: AgentRunResult，含 messages / stop_reason

这套机制的强项是防发散（一个 Agent 喋喋不休或两队互相 handoff 永不终止），但对级联失效几乎无能为力：max_turns 触发后整段会话标 TERMINATE，没有检查点就没有续跑，要么全量重跑要么放弃。TimeoutTermination 能兜住死锁悬停，但超时本身不告诉你"哪个 Agent 出了什么问题"。AutoGen 的定位偏"对话编排"，而非"可靠流水线"，所以它的爆炸半径 = 全队、MTTR = 全量重跑。变现上适合做研究型/原型型多智能体演示，做生产级 ETL 流水线则要在外层再包一层可持久执行引擎。

七、CrewAI：任务级重试的天花板

CrewAI 的容错是五栈里最直白、也最浅的——在 Task 上挂一个 max_retry_limit，外加 human_input 标志让人类介入：

from crewai import Task, Agent

researcher = Agent(role="Researcher", llm=...)
task = Task(
    description="抽取库存数据", agent=researcher,
    max_retry_limit=2,        # 任务级重试，仅此而已
    human_input=True,         # 失败时弹人工确认
)

max_retry_limit 解决的是"单任务偶发失败"，但对任务间依赖的级联完全盲视：N4 重试两次都失败后，CrewAI 默认让流水线继续还是终止？答案是取决于 Process 类型，行为不透明。human_input 看似安全，实则是把容错责任外包给人——这在 demo 里很省事，在生产里是灾难（凌晨三点没人值守）。CrewAI 的优点是上手快、角色编排直观，适合做营销/内容生成这类"错了也无伤大雅"的流水线；但凡涉及库存、计费、订单这类"幻觉即事故"的场景，它的容错原语不够用。

八、Agents SDK（原 Swarm）：原生缺位的"裸奔"风险

OpenAI Agents SDK（Swarm 的正式化）主打轻量 handoff 编排，max_turns 是它唯一的容错旋钮：

from agents import Agent, Runner

agent = Agent(name="Triager", handoffs=[billing_agent, support_agent])
result = Runner.run_sync(agent, msg, max_turns=10)

问题在于：没有检查点、没有 RetryPolicy、没有熔断器、没有舰队级停机协议。一旦 N4 抛异常，整个 run 直接抛到调用方，要么全量重跑要么放弃——这就是表格里"裸奔"的由来。handoff 模型的隐含假设是"每个 Agent 都很可靠"，这在真实多智能体里从不成立。SDK 的价值在于编排简单、迁移成本低，适合做客服路由这类短链、低风险、可容忍重试的场景；做长流水线必须自己在上面补一层持久化与熔断，等于把 LangGraph/Temporal 的活重写一遍。

九、Temporal 可持久执行：工作流级回放的降维打击

真正能把爆炸半径压到 0 的，是把 Agent 流水线跑在 durable execution 引擎上——以 Temporal 为代表。每个节点是一个 Activity，框架自动持久化每一步，崩溃后由 worker 透明地从断点续跑：

from temporalio import workflow, activity

@activity.defn
async def extract_node(text: str) -> dict:
    return await llm_extract(text)   # 失败按 Activity 重试策略自动退避

@workflow.defn
class AgentPipeline:
    @workflow.run
    async def run(self, src: str):
        n4 = await workflow.execute_activity(
            extract_node, src,
            start_to_close_timeout=timedelta(seconds=60),
            retry_policy=RetryPolicy(maximum_attempts=3))
        # 校验 Activity：把静默幻觉升级为可识别错误
        assert await validate_node(n4), "幽灵 SKU 拦截"
        return await aggregate_node(n4)

Temporal 的杀手锏是回放（replay）：工作流状态由事件溯源重建，崩溃恢复对业务透明，MTTR = 0 步（框架自动续）。配合一个独立的校验 Activity，连静默幻觉都能在写库前被 assert 拦下。代价是工程门槛最高——要理解 event sourcing、worker 心跳、Activity 隔离。但回报极高：它是唯一能让多智能体系统达到"金融级可靠性"的路径，这也是为什么 LangGraph + Temporal 成为 2026 生产级多智能体的主流组合。变现上这是高端训练营的旗舰课，客单价能比纯 LangChain 课高 3 倍。

十、协调原语对比：retry / 熔断 / 降级 / 停机协议的四象限

把四类容错原语放进一张决策表，能看出每栈缺哪一块：

最刺眼的空白是"舰队级停机协议"。重试只告诉一个 Agent 自己失败时怎么办；停机协议要告诉整支舰队——当 N4 输出可疑时，N5/N6/N7 立即冻结，不要继续消费。这是分布式系统里的"分布式事务回滚"在 Agent 领域的对应物，但 2026 年还没有哪个原生框架内建它。实践中要靠：① 校验门（validation gate）把幻觉变可识别错误 → ② 发布-订阅总线广播"冻结"信号 → ③ 各节点订阅后挂起。这套模式目前只能靠 Temporal 的 Child Workflow + Saga 补偿手搓，是多智能体工程下一个明确的创业/产品机会。

十一、架构图：级联失效与四类原语的协作

flowchart LR
    subgraph PIPE["10 节点流水线"]
      N1[N1 规划] --> N2[N2 检索] --> N3[N3 抽取] --> N4["N4 故障源<br/>硬崩溃 / 静默幻觉"]
      N4 --> N5[N5 聚合] --> N6[N6 校验门] --> N7[N7 写库]
    end

    N4 -- 硬崩溃 --> RT[RetryPolicy 退避]
    N4 -- 工具降级 --> CB[(Circuit Breaker<br/>fail-fast 省代币)]
    CB --> FB[降级路由: 兜底 Agent]
    RT --> CP[(Checkpoint Store)]
    CP --> RESUME[从 N4 透明续跑]
    N4 -.幽灵SKU穿透.-> N5
    N5 -.无校验则消费.-> N6
    N6 -- assert 拦截 --> HALT[舰队级停机协议<br/>广播冻结]
    HALT --> FREEZE[N5/N7 挂起]
    CB -.削减85%级联.-> PIPE

    classDef fail fill:#fecaca,stroke:#b91c11
    classDef safe fill:#bbf7d0,stroke:#15803d
    class N4 fail
    class CB,CP,HALT,RESUME safe

图里画出故障的两种走向：硬崩溃走 RetryPolicy + Checkpoint 闭环（绿）；静默幻觉若无校验门则一路穿透（红虚线），有校验门才触发停机协议。熔断器在工具降级路径上截断重试风暴。这张图本身就是一份选型清单：你的业务落在哪条路径，决定你买哪个栈。

推荐方案：按故障成本分级选栈

三条不变的工程铁律：第一，重试只买硬崩溃的命，买不到静默幻觉的命，校验门才是幻觉的唯一防线；第二，没有熔断器的多智能体不该上生产，85% 的级联削减是免费午餐；第三，舰队级停机协议是 2026 最大空白，谁能把它做成产品，谁就拿到了多智能体可靠性这一层的入场券。变现上，"LangGraph + Temporal 生产级容错"是当下最稀缺、客单价最高的训练营题材，远未饱和。

参考来源

1. Cascading Failure Isolation — Agent Foundry — 单点崩溃不应拖垮其他 Agent 的设计原则
2. Multi-Agent Pipeline Orchestration and Failure Propagation: Designing for Blast Radius — Ranjan Kumar — 幽灵 SKU 穿透 schema 校验、重试逻辑与舰队级停机协议之分
3. Agent Circuit Breaker — AgentPatterns.ai — per-tool 熔断器如何阻止烧代币的重试循环，退避为何无效
4. hamley241/circuit-breaker-agents — GitHub — 蒙特卡洛验证熔断器削减 85% 级联失败的开源实验
5. Error Handling and Retry Policies — LangGraph DeepWiki — 节点级错误处理与 RetryPolicy 机制
6. Termination Conditions — AutoGen DeepWiki — max_turns/Timeout/TextMention 等会话终止条件体系

[!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。