7×24 小时常驻 Agent 怎么建?拆解任务跨轮续跑的完整架构设计
给 Agent 一个任务,它能查资料、调工具、写代码。但一个更现实的问题是:这件事今天没做完,明天能不能自己接着做?外部有了新进展,能不能主动跟进,而不用人再来催一次?随着 Personal Agent 与常驻数字助手受到关注,这种「交代过的事有人持续跟进」的需求变得非常具体:今天没做完的明天继续,暂时没结果的过阵子再查,需要人拿主意时再来问一句。要让这种体验成立,靠的不是更强的模型,而是一套系统化的架构设计。
等人时保存进度与结果通知
一项任务可以持续几天,每次执行却可以很短——这是常驻 Agent 设计中最值得展开的思路。以一次代码修复为例:调查问题、修改代码、提交测试;测试失败就继续排查,准备推送前再找人确认。中间可能只隔几分钟,也可能隔一整夜。测试还没结束、人还没回复时,Agent 就可以结束本轮执行,大部分时间处于休眠状态。所谓「在线」,指的是事情能够被持续跟进,而不是进程常驻运行。run 是一轮执行,session 则保存消息与工具调用记录,可以跨越多轮 run,由新事件的到来决定恢复还是新建。
测试结果和用户补充要求同时到达时,如果两个入口都直接调用 Agent,就可能同时启动两轮执行、互相覆盖进度;进程中途退出,刚收到的消息也可能丢失。解法很朴素:一张持久化的 inbox 表、一个接收事件的 HTTP 接口、一个后台 worker。接口先把事件写入表中并尽快确认,再由 worker 以表内记录为准读取待处理事件——延续已有工作的恢复对应 session,其他事件开启新 session,处理完再标记完成。这样即使 worker 中途退出,后续 worker 仍能找到未完成的记录,重复投递可按唯一 ID 去重,连续补充的几句话也可合并成一轮处理。
常驻 Agent 的成败,不在模型的聪明里、不在提示词的技巧里,而在每一次等待中留下的进度与触发条件里。
“行业观察”积墨 AI 智能体开发平台
快速搭建具备商业价值的 AI 智能体,支持复杂工作流编排、50+ 主流模型接入与私有化部署。
从多年产业实践经验来看,支撑常驻 Agent 落地的关键在于五类职责的协同:inbox 收事件、timer 安排后续运行、memory 保存跨轮信息、permissions 管理行动权限、outbox 处理消息输出。定时场景下,「两小时后再看看有没有回复」这类打算由模型写下,但需要调度器到时产生事件并写入 inbox,到期只是入队,实际执行仍由 worker 按统一流程处理,无需为定时任务另写一套执行逻辑。记忆管理则需要分层:行为要求每轮加载以延续约定,用户偏好按需查询,任务进度按任务读取具体记录,已通知过的内容发送前查看以避免重复。外部系统已有的信息尽量只保存引用,需要时再查最新状态——一句「测试通过」不够,还得知道哪个提交、哪次测试通过了。记忆和产物的寿命必须长于单轮 worker,否则进度写着「已准备好」,代码却随临时环境消失。
一个典型场景可以说明权限与通知设计的价值:测试通过、Agent 准备推送代码,用户却不在线。此前保存的「推送前找我确认」此时要真正约束工具调用——采用 deferred tool call,暂缓执行、保存 session 与未完成的调用、结束本轮,等回复再恢复。恢复不代表原样重做昨天的动作:分支可能已更新、要求可能已改变,需要先核对最新状态;外部操作已成功而本地未记录时,还需幂等处理或先查询执行结果。任务完成后,一轮运行的结束分三种:发送结果、静默结束、暂缓调用并询问用户。每次定时检查都汇报「我又检查了一遍」,持续跟进很容易变成持续打扰,因此初期宜安静一些,并记住已通知过什么。这些职责可以由一个应用和现有数据库承担,不必拆成五套微服务。
回到开头的问题:今天没做完,明天能不能自己继续?这套架构的答案是让每一轮都留下足够的信息,也为后续工作安排好触发条件。一次执行可以结束,一件事仍然有人持续跟进——这正是常驻 Agent 与普通对话机器人的本质区别,也是 AI 应用走向真正可靠的必经之路。
