EN
Uncategorized

Cloudflare Durable Objects 上的 Codex agent loop:恢复能力比持续运行更重要

Cloudflare 11 月 9 日展示了在 Durable Object 中运行 Codex agent loop 的实验示例。持久化、重放与中断恢复,比“Agent 一直在线”更接近真正的生产问题。

Jacky Wang 4 分钟阅读 71 阅读

当一个 Agent 在本地终端里跑坏,最多是重开一次命令;当它在云端替你改文件、调用工具、等待外部系统,真正麻烦的是它停在了哪一步。11 月 9 日 Cloudflare 的 Agents changelog 展示了一个实验性例子:把 Codex agent loop 放进 Cloudflare Durable Object,让会话、文件和已完成的模型与工具结果在重启后继续存在。

这不是“把脚本搬上云”

Cloudflare 的说明把这套组合拆成几个有明确职责的部件。官方 changelog提到,Tasks 会记录模型调用和工具执行,已经完成的步骤可在重启后复用;Sessions 保存会话历史并压缩上下文;Streams 保存有序事件,便于断线重连后的重放;Workspace 提供持久化文件读写。它还说明了这个示例把 Codex 的 Rust turn-processing code 适配到 WebAssembly。

我会把这些东西理解成一个有账本的状态机,而不是一个永不退出的进程。每次工具调用都应该有唯一 ID、输入摘要、开始时间、结束状态和可重试标记。模型输出不应直接覆盖业务状态,必须先经过一层把“建议动作”变成“可执行动作”的适配器。

一个最小的事件形状可以是:

{"id":"tool-184","kind":"write_file","status":"completed","replayable":false}

这里的 replayable: false 很重要。读取文件、计算 diff 通常可以重放;付款、发送邮件、创建云资源却不能因为网络超时就自动再做一次。恢复逻辑不能只看“上一步有没有完成”,还要看副作用是否已经在外部系统发生。

重启恢复要回答三个问题

第一,最后一个确认完成的步骤是什么。第二,当前工具调用有没有收到外部确认。第三,重新接管时应该继续、补偿还是停下来等待人工。Cloudflare 的示例强调 Tasks、Sessions 和 Streams 的配合,说明持久运行的难点在于事件和上下文的一致性,而不是把一个 HTTP handler 的超时时间调大。Agents SDK 文档可以作为实现入口,但实验示例里的具体限制仍然要按版本重新检查。

我会在生产前给每个任务加租约和截止时间。Durable Object 可以保存状态,不代表它有权无限等待;外部 API 也可能在 Agent 恢复期间改变结果。一个安全的恢复策略通常是:读回事件日志,验证当前版本和资源指纹,重查外部状态,只有在幂等键仍然有效时才重试。否则生成一份待处理事件,让人或另一个受限 worker 决定下一步。

适合放在哪里

这种架构适合长对话、文件修改、分阶段研究和需要断线续作的任务。它不适合把所有生产运维权限都塞进一个 Agent 里。我的做法会是把 Workspace 里的文件分成输入、工作区和待发布区;把网络工具列出 allowlist;把每次写操作变成 diff;把最终发布留给另外一个明确授权的流程。对于 Kubernetes,Agent 可以读 manifest、生成 patch、运行离线校验,至于 apply,仍然要经过服务账号权限和人工审批。

Cloudflare 还介绍了在 Durable Objects 中运行 Exo 和 Nanocode 等其他 agent harness 的方向,说明这个平台正在尝试承载不同的 Agent 运行时。同一份 changelog同时列出了这些例子,但它们不是一个统一的标准,也不代表每个 harness 都有相同的恢复语义。

我更愿意把“长时间运行”改叫“可恢复地运行”。Agent 在线几个小时不值得兴奋;断电、断网、模型超时之后还能说清楚发生了什么,才是我会为之付费的基础设施。下一步我会先写恢复测试,再写更聪明的 prompt。还要给日志保留足够的版本信息,否则恢复成功也无法解释。

测试也不能只模拟一个正常流程。我会故意让工具在写入前断开、让客户端在流中途刷新、让模型返回重复的 tool call,再检查事件日志能不能保持单调顺序。恢复后的输出要明确标成 resumed,而不是伪装成一次全新的成功运行。这样排查账单、权限和误写文件时,运营人员才有足够线索。

发表评论