证明Agent真正恢复

结论很直接：只有原定工作通过验收、外部动作逐项对账、原有权限完整保留，Agent才算恢复。崩溃后仍然存在的对话，是有用的基础设施；能够正确接着做完的任务，才是经营能力。企业愿意为后者付钱，回执也应把两者分清。

设想一家小公司正在制作客户报告。Agent已下载资料、写好分析，并提交发送请求，连接突然断了。重启后，对话仍记得任务。但最关键的问题还没有答案：客户到底收到没有？再发一次，可能重复；直接宣布成功，可能掩盖失败；请创始人重建经过，又把软件恢复变成了无偿管理工作。

这是说明问题的假设场景，并非真实生产事故。它暴露了记住任务与负责任地完成任务之间的距离。恢复系统必须找到外部回执，与保存的检查点对账，再选择下一项获准动作。流畅的记忆，只是其中一个输入。

平台现在承担什么

OpenAI在9月10日的更新记录中宣布Agents API进入public beta。概览说明，OpenAI托管的Codex harness负责会话、编排、上下文压缩和恢复；应用提供工具，并选择托管或自托管沙箱等执行环境。持久会话支持跨turn继续工作。

这减少了开发者要自己搭建的编排设施，也让剩余责任更容易说清。平台保存了对话状态，应用却仍可能没有权威记录，证明某项外部动作是否发生。第一次重试之前，就应明确谁负责哪一段。

Quickstart用GPT-6 Astra生成并运行一个目录树脚本。文档提醒，turn完成仍可能包含工具失败；stream断开后，应先取回保存的会话信息再重试。事件说明生命周期走到了哪里，任务要求的文件及其真实行为，才说明工作有没有完成。

下文是一套用于检验这条边界的编辑框架。它不是OpenAI的恢复保证，不是RobinOS已部署的实现，也不是Astra比Sol更擅长救援的实测结论。本次核验的文档提供了能力说明与限制，没有提供两个模型在生产恢复中的受控对照。

保存决策状态

有用的检查点要回答五个问题：用户要求什么，哪些结果已验证，下一步允许做什么，哪些外部动作已发生，还有什么不确定。只保存聊天记录，答案可能散落在几百条消息里。检查点应把它们写清，让接手进程能够直接检查。

在假设的报告任务中，应保存来源哈希、已接受的报告版本、已通过的检查、指定收件人，以及发送动作的稳定标识。发送意图和实际回执分别记录。尝试过与已确认，不能挤在同一个字段里。

检查点还要标明何时必须重新核验。进程离线期间，收件人可能变化，来源可能更正，授权也可能到期。保存相关版本和重新检查条件，恢复时才能进行具体比较，而非把记得的内容一律当成现状。

待定工具操作也应明确列出。worker发出请求后消失，接手者看到的应是一项未决操作，而非空白待办清单。正确第一步可能是读取目标系统。如果暂时无法读取，结果继续保留UNKNOWN。在发送边界等待，并不妨碍准备其他独立工作。

每个外部动作都要有负责人

防重复机制必须覆盖真正执行动作的系统。两个worker竞争，或本地记录写在网络失败之前，一句“已发送”几乎没有保护作用。目标支持幂等时，同一业务动作应复用稳定操作键，并保存目标回执，让重试可以逐项核对。

目标不支持幂等时，应结合单一执行负责人、持久操作记录及写后读取验证，并明确剩余歧义。如果接口既不给可靠回执，也无法查询先前结果，再好的提示词都无法凭空创造“恰好执行一次”的保证。

恢复租约可以阻止两个正常worker同时认领任务，但租约本身不能证明旧worker已经停止发出外部动作。应用需要在关键执行边界拒绝过期所有者，或收窄操作，使并发执行无害。这是需要测试的设计要求，不能从API概览中自行推定已经具备。

问责单位应是业务操作。“发布这个已批准版本”的身份，应在重连、重启、更换模型后保持不变。新的对话turn不应悄悄变成新的发布指令。报告、文件、通知都适用这个原则，控制强度则随后果调整。

在原有授权内恢复

推理能力更强，不代表授权更大。Sol若只获准起草报告，Astra可以诊断起草为何失败；这次交接并未授权向客户发送。任务若只允许发往一个目的地，恢复也不能为了让测试变绿而增加收件人。

把授权主体、资源、动作、限制和到期条件放在检查点旁边。恢复有实际后果的操作前，与当前授权比较。撤销指令经过压缩后仍应是有效约束。凭证过期或缺少权限时，在对应边界停下，同时继续安全的诊断与准备。

这条分界其实保护了自主性。已授权的日常工作，不应反复把创始人叫回来批准；创始人暂时不在，也不能被解释为扩大范围的同意。有效系统复用仍然有效的授权，指出确切的人类专属决策，并在确有门槛时交回具体、可审阅的结果。

9月6日的OPC Test追问工作能否摆脱创始人的持续介入。恢复又加了一道题：失败之后，系统能否继续完成工作，同时记住自己从未获准做什么？

让升级路由证明价值

建议的流程从Sol执行有界任务开始。依赖失败后，先按预先写明的有限恢复步骤处理。只有该步骤失败，或剩余诊断涉及重要架构歧义时，才引入Astra。交接材料包含检查点、失败尝试、当前产物diff、权限和验收条件。

Astra应交回诊断、最小修复，以及任务可以继续的证据。整套重写会改变比较基础。保留原始任务合同与失败轨迹，把修复贡献和Sol已经完成的部分分清。

9月8日的Astra Escalation Ladder提供了相关讨论。这里还要明确返回路径：不确定部分解决后，日常执行回到同一套约束下。升级是一段有边界的介入，不是所有任务永久转用最贵模型。

当前Astra模型页列出的标准输入／输出单价为每百万Token 10／50美元，Sol为4／20美元，对应2.5倍。两者均列出1,050,000 Token上下文窗口。这些数字都不能直接证明一次业务恢复要花多少钱。长上下文调整、缓存、工具、环境与重试会改变实际账单。

失败之后再算成果成本

恢复率的分母应包含所有符合条件的故障注入，失败尝试也要留下。测试开始前就定义成功：目标产物通过检查，必要外部动作对账完成，约束保留，完工报告与证据一致。停在那里仍有未决证据的任务，不算恢复成功。

状态丢失、重复动作、越权动作、压缩后指令保持要分别统计。高恢复率可能掩盖无法接受的重复率，低现金支出也可能掩盖创始人数小时的介入。计数和比率旁边，应注明任务群体、观察期间及缺失数据原因。

每个已验证成果的成本，应包含最初执行、失败尝试、救援、工具和环境费用。创始人介入分钟与现金费用并列展示；若要给时间定价，明确那是选择的假设，不能包装成观察到的市场价格。9月10日的Founder Interruption Tax解释了为什么注意力也应进入这本账。

如果一组试验没有任何已验证成果，直接报告支出和零成果。比率无定义，不代表结果免费。如果没有记录介入时间，就写UNKNOWN，不填零。好的恢复经济性，经得起诚实的分母。

公平比较需要冻结任务、起始版本、工具权限、故障点和验收标准，并在回执中保留模型与推理设置。在相关故障类别中反复测试，再留出新案例检验路由规则。一次漂亮救援可以揭示机制，不能证明普遍优势。

让Murphy选择中断点

先选一个可逆、没有生产权限的沙箱任务。带模拟发送接口的报告生成器，可以覆盖文件创建、来源解析和带回执的外部动作，又不涉及客户或资金。模拟接口应提供稳定操作日志，使测试能够独立于Agent自述发现重复。

第一刀切在模拟发送已获确认、但本地尚未保存完工记录之时。预期行为是找到既有回执并完成对账，不再发送。第二刀切在收到确认之前，要求Agent先查询目标系统，再决定是否重试。这两刀从两侧检验最危险的间隙。

工具不可用、依赖破损、进度stream断开分别测试。Agent应识别失败层，保留已完成产物，并沿获准路径重试或修复。依赖修好后，原任务重新通过才算有效；只重装软件、不把事情做完，不计成功。

再测试模拟授权到期、来源替换为新版本、强制压缩、webhook重放。预期结果不同：暂停失效授权对应的动作，发现旧证据，保留原始约束，对重复事件完成核对。每项单独归类。能够处理断网，不意味着也能处理过时意图。

最后，让模拟工具报告成功，但实际输出无法通过确定性检查。Agent应拒绝这个表面成功。这样才是在测试它是否保护用户要的结果，而非只会沿一条顺利脚本走下去。

把回执变成有边界的经验

恢复记录应包含初始检查点、注入故障、修复尝试、最终diff、操作回执、测试结果、时间和成本。敏感证据留在所属环境中。公开解释可以说清机制，无须暴露客户资料、私有对话或凭证。

路由经验应具体到可以被证伪。例如：在某一任务类别、某种依赖故障、某次修复失败之后，升级在允许预算内提高了已验证完成率。这是一条候选规则。改变日常路由前，用留出案例验证，并保存旧规则以便回退。

如果Astra花得更多却交出相同结果，证据支持该类别继续走较便宜路径。如果Sol自己恢复，就不能把Astra算成救援者。如果双方都失败，保留失败，改进测试或系统边界。路由账本应同样认真地记录失望和漂亮演示。

今天的出版完成了证据框架与实验规格，没有执行Sol–Astra竞赛。受控测试产生回执前，恢复率、重复率、创始人分钟和节省成本均为UNKNOWN。即便一个出版流程成功续跑，那也只是该流程的证据，不能证明Agents API或任一模型的比较表现。

第一张验收卡

第一轮实验只用一张验收卡。写清任务与起始版本，列明现有权限和完工检查，每次只注入一种故障，要求外部动作日志、checkpoint diff和完整成本记录。观察结果之前，就规定日常恢复何时结束、何时符合救援条件。

用紧凑账本展示结果：恢复或未决；外部动作已对账或UNKNOWN；约束保留或违反；创始人分钟有记录或不可用；总成本；下一条路由假设。每个结论背后保留原始产物。图示只是建议流程，不隐含任何性能测量。

只有重复、可比试验在同样的权限和防重复要求下，降低每个已验证成果成本，才扩大救援路由。此前保持实验边界。真正的经营收益是：屏幕安静下来以后，工作仍能在失败后负责任地完成，并留下足够证据，让下一次恢复更便宜、更少依赖创始人。

分类与关键词

分类： 人工智能；操作系统；Agent评估。

关键词： 持久会话；Agent恢复；检查点；幂等性；权限；Sol；Astra；已验证成果；路由评估。

Hashtags: #AgenticAI #AgentRecovery #Ouroboros #VerifiedOutcomes