AI in Harness（二）

书接上文 juejin.cn/post/765961...

Error Recovery - 从错误中恢复

让 agent loop 在面对 LLM 三类常见故障(输出截断 / context 太长 / 后端过载)时自我恢复,而不是把异常一路抛回出去。

对于一个 Java 程序员处理异常那就太熟悉不过了。给 LLM 的调用方法加上 try catch。

目前最常见的错误，输出太长，输入太长，调用太快，模型压力太大。

输出太长：

第一次 :把 max_tokens 从默认 8000 → 升级到 64000(escalated),丢掉截断的输出,重新跑这一轮。模型重生成,通常这次能说完
第二次还截断 :已经 64k 还说不完 → 真的需要"分两次说"。append 截断输出 + 注入 Continue. user message,让模型续写
超过 maxRecoveryRetries=3 次 continuation:放弃,Fatal

输入太长：

可以直接调用 reactive_compact 压缩模式。使用比较激进的压缩模式，只保留最近的若干条消息。

调用太快、模型压力过大：

调用 LLM 的时候才用指数退避的方式重试。若干次后依然报错，则抛出异常。

Task System - 更强的规划能力

让 LLM 自己用文件级任务图把"大目标"拆成"有 DAG 依赖、可被 claim/complete 跟踪、跨 agent loop 持久化"的小任务,而不是把所有计划塞 todo_write 在内存里。

已经有 todo_write 了 ------ 内存里一个三态 todo 列表,LLM 用它做计划。但 todo_write 有 4 个致命缺陷,只要任务复杂一点就暴露:

todo_write	task system
只活在当前 session,重启 → 全没	文件级持久化 (`.tasks/{id}.json`)
只有"线性列表",没法表达"B 必须等 A 完成才能做"	`blockedBy` DAG 依赖 , `canStart` 计算
只有 owner 隐式("当前 agent"),没 claim 概念	`claim_task` 显式 owner + 状态机
整体替换语义(每次都重写整个列表)	单条 update(完成 A 不动 B/C)

更重要的是 task system 让子 agent 也能参与------ 父 agent 派子 agent 干活时,子可以读到 task 列表知道全局计划,而不是"接到 description 就盲跑"。

核心 API：

实际上 harness 只暴露了 4 个原语 ，claim/complete/block 都是 TaskUpdate 的不同用法 ------ 靠状态字段区分，而不是独立接口。

API	作用	关键参数	返回
`TaskCreate`	建节点	`subject`, `description`, `activeForm`	新任务 `id`（初始 status=pending, owner=""）
`TaskList`	看队列	无	所有任务的摘要（id/subject/status/owner/blockedBy）
`TaskGet`	读详情	`taskId`	单个任务的完整字段（含 description、blocks/blockedBy 双向边）
`TaskUpdate`	改一切	`taskId` + 变更字段	更新后的任务

为什么没有独立的 claim / complete / block ? 因为它们都能用 TaskUpdate 的字段组合表达，合并成一个接口反而简化了状态机：

语义动作	对应的 TaskUpdate 调用
claim（认领）	`{taskId, owner: "self", status: "in_progress"}`
complete（完成）	`{taskId, status: "completed"}`
建依赖（我等 X）	`{taskId, addBlockedBy: [X]}`
建依赖（我挡 Y）	`{taskId, addBlocks: [Y]}`
让出（放弃 owner）	`{taskId, owner: ""}`
删除	`{taskId, status: "deleted"}`

设计要点：

TaskCreate 只建节点，不连边 ------ 依赖必须先拿到 ID 再用 TaskUpdate 补
TaskList 是决策入口 ------ agent 每轮 tick 先 List 找可 claim 的（owner="" && blockedBy=\[\]）
TaskGet 是执行前的最后一步 ------ claim 后进入 in_progress，用 TaskGet 拿完整 description 再干活（因为 List 只返回摘要，为省 token）
TaskUpdate 幂等 ------ 重复 mark completed 不会出错，方便 error recovery 场景重放

核心工作流程：

1、需要将一个复杂任务拆解。并确认 DAG （有向无环图）依赖。使用 DAG 意味着任务可并行，可拓扑排序，无死锁。

为什么 DAG 而不是树/线性队列？真实开发依赖不是树形的：任务 D 可能同时依赖 B 和 C（菱形），线性队列表达不了并行，树形结构表达不了合并。DAG 是最小的能表达"部分序"的结构。

2、任务拆解以后，将任务持久化，方便 agent 认领提交。

3、Agent 会通过 tools，调用TaskList()获取 pending 和无 blockedBy 的任务。

4、LLM 挑选一个 task 执行。

5、调用 TaskUpdate 更新 task 的状态。

scss 复制代码

[Agent tick N]
  TaskList()  → 拿到 pending / owner="" / blockedBy=[] 的任务
  ↓
  LLM 挑一个（通常最小 ID）
  ↓
  TaskUpdate({taskId, owner: "self", status: "in_progress"})
  ↓
  （可选）同一 tick 内立即开始第一步执行 ------ 发起 Read/Bash 等工具调用
  ↓
[后续多个 tick] 反复执行工具调用推进任务
  ↓
[某个 tick] TaskUpdate({taskId, status: "completed"})
  ↓
  回到 TaskList 找下一个可 claim 的任务

注意：claim 和"开始执行"通常发生在同一个 tick 里，harness 不会在 TaskUpdate 之后强制切换 ------ LLM 一轮可以发多个 tool call。

Background Task - 后台执行耗时任务

**让 LLM 调慢工具(./mvnw test、docker build、pip install)时,Agent 立即返回 placeholder 让 LLM 继续工作,后台 daemon 线程跑完后通过 <task_notification> 文本块注入下一轮 --- 取消同步等待

为什么需要 Background Task

如果 agent loop 是完全同步的:

arduino 复制代码

LLM tool_use(bash, "./mvnw test")
  ↓
agent loop 进程同步等子进程(直到默认 2 分钟超时)
  ↓
返回 ToolResult,继续 loop

LLM 这段时间里完全失去主动权 ------ 不能并行去做别的小任务,不能主动决定"要不要 abort 重新调",甚至连"我此刻在等什么"都看不到。当单线程 RPC 客户端用。

我们需要：