Agent 回退机制

文章目录

一、什么时候触发回退

需要回退(逻辑/决策错误)

  • LLM 工具参数生成错误
  • 任务拆解不合理、顺序错乱
  • 理解用户意图跑偏、答非所问
  • 输出格式不合法(要求 JSON 乱输出)
  • 幻觉严重、结论明显错误
  • 分支路由选错、进错业务流程
  • 工具返回结果逻辑矛盾、无效数据
  • 用户明确否定结果,要求重新来

不需要回退(只做原地重试)

  • 接口超时、网络波动
  • 临时服务宕机
  • 简单调用异常
    这类只原地重试,不回退流程节点。

二、回退几步

  1. 回退 1 步(最常用)

    退到上一个决策节点,适合:参数错、选工具错、路由选错、格式错误。

  2. 回退到指定关键节点

    不一步步退,直接跳回:

  • 意图识别节点
  • 任务拆解节点
  • 流程分支入口节点
    适合:整体方向跑偏、任务走死胡同、完全理解错用户意图。
  1. 步数限制
    全局最多允许回退 2~3 次,防止死循环;超过次数直接终止流程。

三、回退干什么

  1. 回滚状态
    恢复上一步 State 快照,清空错误临时变量、脏数据。
  2. 重新思考
    退回决策节点,让 LLM 重新理解、重新拆任务、重新生成参数。
  3. 重新走流程
    用正确状态重新往下流转,抛弃错误路径。
  4. 不破坏记忆
    只回退流程临时状态 ,不回退会话短期记忆、用户长期记忆,聊天上下文不丢失。

四、怎么实现回退(工程落地步骤)

1. State 增加回溯字段

在 LangGraph State 里固定加:

  • step_history:每一步节点 + 状态快照列表
  • current_step:当前步数
  • revert_step:要回退到第几步
  • retry_count:回退次数限制
  1. 采用两个平行列表,下标一一对应
  • node_path:记录走过的节点名称轨迹

  • snapshot_list:记录每一步对应 State 快照轨迹

    node_path = [节点A, 节点B, 节点C]
    snapshot_list = [快照A, 快照B, 快照C]

  1. 核心规则
  • 两个列表严格同步追加
  • 只末尾追加,不修改、不覆盖、不删除历史
  • 历史快照一旦存入,永久封存

2、快照保存时机

只在刚进入新节点瞬间保存一次

  1. 进入节点A → 追加节点A、追加快照A
  2. 进入节点B → 追加节点B、追加快照B
  3. 进入节点C → 追加节点C、追加快照C

正常流程往下执行时:

  • 只修改当前业务 State
  • 绝不改动 node_path、snapshot_list 历史数据

3、为什么不能更新/覆盖旧快照

如果正常流程里刷新、覆盖旧快照:

后续回退 2 步、3 步时,取出的已经不是当时原始状态 ,回退失效、逻辑错乱。

所以原则:历史快照只封存,不许覆写。

4、回退怎么实现(完整流程)

  1. 节点执行出错/结果不合法
  2. 根据想回退步数,从列表按下标 取目标:
    • 回退1步:取倒数第2个节点 + 对应快照
    • 回退2步:取倒数第3个节点 + 对应快照
  3. 用历史原始快照覆盖当前 State
  4. 截断 node_path 和 snapshot_list 到目标位置
  5. 通过全局路由,跳转到目标节点重新执行

5、关键总结

  1. 快照是列表结构,全程只追加不覆写
  2. 进节点才存快照,正常流程不碰历史数据
  3. 节点路径和快照列表下标一一绑定
  4. 回退靠列表下标取历史快照,复原状态
  5. 靠全局路由实现自动跳回目标节点,无需每个节点单独配置
相关推荐
Eloudy1 天前
从 DeepSeek-V1 到 DeepSeek-V2:一次从“堆稠密参数”到“稀疏计算+压缩缓存”的架构转向
gpt·llm·transformer
高洁013 天前
数据同化与动态状态估计:让孪生持续贴合现实
人工智能·python·深度学习·transformer·迁移学习
一起学安全技术6 天前
拆大模型 03|注意力的一句话版本:不用论文讲清 Attention
深度学习·算法·语言模型·transformer
风巽·剑染春水6 天前
【Generative AI综述】生成式人工智能在医学影像中的应用(ACME-2026)
人工智能·transformer·gan·vae·生成模型·扩散模型·医学影像
机器学习之心6 天前
5 个特征、2 个输出:让 DBO 替 CNN-Transformer 挑结构,再用 SHAP 把黑箱撬开
人工智能·cnn·transformer·cnn-transformer
bryant_meng7 天前
【TNT】《Transformer in Transformer》
人工智能·深度学习·transformer·word embedding·tnt·sentence embed
布吉岛的石头9 天前
Java 程序员第 50 阶段14:灾难性遗忘与回放
人工智能·深度学习·transformer
weixin_468466859 天前
视觉Transformer的“第二次革命”:ViT³如何用测试时训练重构注意力范式
人工智能·深度学习·机器学习·ai·重构·transformer·vit
DevOps老兵10 天前
Transformer拆解13:现代大模型改了什么,RoPE、RMSNorm、SwiGLU与GQA
transformer·gqa·rope·rmsnorm·swiglu
飞猫的边缘AI13 天前
边缘AI芯片的规则变了:从跑CNN到跑LLM和VLM
人工智能·语言模型·cnn·transformer·边缘ai