事情是怎么发生的
上个月我们让 Agent 接管了一个客服退款流程:用户申请退款,Agent 调用支付服务的退款接口,走完审批后执行。测试环境跑了半个月没出问题,上线第三周出事了。
一笔退款请求超时,Agent 按重试逻辑重新发起了一次调用。幸运的是我们的风控对账系统拦下了第二笔——远端其实已经退款成功,只是响应没回来。如果没有拦截,用户会收到两笔退款,而这两笔都是"系统按设计执行的"。
复盘会上把整个链路翻了个底朝天,问题不是某一个 bug,而是我们在三个关键认知上全是错的。这篇把三个错误认知逐一讲清,希望你的系统里别再藏着同样的雷。
错误认知一:本地超时,等于远端失败
我们的重试逻辑当时写的是:调用超时就重试。写这行代码的人(就是我)默认了一个假设——超时说明远端没处理完。
真相是:本地超时只是一个取消信号。你设置的 3 秒超时,只代表你的客户端不再等待,不代表远端停止了执行。如果工具 SDK 不理会取消信号,操作可能继续在远端跑完。对于已产生副作用的远程调用,即使本地超时,也不能推断远端没有成功——它可能成功了,只是响应堵在路上。
这个认知一旦到位,"超时就重试"这行代码在任何写操作上都是错误的。它只在一种情况下可以保留:只读且可重复的调用,短暂网络失败可以做指数退避重试,但要受总预算限制。
错误认知二:重试是通用操作,加个循环就行
重试从来不是通用操作,它必须基于操作语义分类:
只读、可重复的调用——重试安全,控制预算即可。有副作用但具备业务幂等键的——同一个逻辑动作重试时复用同一个键。有副作用且结果未知的——先对账核对,无法核对时转人工,绝不盲目重试。鉴权失败、参数校验错误——通常不应重试相同输入,重试一万次结果都一样。
我们当时的代码长这样:超时后原样重发退款请求,不带任何幂等键。改造后的接口是这样的:退款调用带上幂等键参数,同一个逻辑动作(比如某笔订单的退款审批记录)永远用同一个键。
但这里还有第二层坑:传幂等键不等于自动安全。幂等键只是一个约定,真正的恰好一次语义必须由远端服务承诺并实现——远端得按这个键去重。你的运行时还需要维护执行记录,出问题时能恢复与核对。键本身不创造安全性,配合远端的幂等实现和本地的执行账本才构成完整防线。
错误认知三:失败返回个错误字符串就行
复盘时还发现了另一个隐患:我们的工具失败时,会把底层错误信息直接回填给模型。有一次把包含内部服务地址的异常栈回填了,模型在下一次对话里差点把这段内容复述给用户。
正确做法是把错误分四层:协议错误(JSON 解析不了、缺 call_id)不执行直接记录;输入错误(Schema 不匹配)返回稳定错误码不执行;权限与策略错误返回 FORBIDDEN 或暂停审批,且不自动重试;执行错误(超时、429、5xx、远端状态未知)按工具语义决定重试、核对或升级处理。
给模型的 Tool Result 必须稳定、简短、无敏感内部细节:一个 ok 标志、一个稳定错误码、一个是否可重试的标记。数据库连接串、堆栈信息、访问令牌、未脱敏的业务对象,永远不进上下文。
复盘会上最扎心的三个问题
除了三个认知错误,复盘会上主持人问了三个问题,每一个都让人当场语塞。把这三个问题也记下来,因为它们比技术方案更有警醒价值。
问题一:超时重试的代码是谁写的、谁审的?——是我写的,审我的人也默认了"超时即失败"这个假设。教训:写操作的任何自动化策略,评审时必须回答"远端状态未知怎么办",答不上来就不能合入。
问题二:如果风控没有拦住,我们多久会发现?——没有人答得上来。对账是每日批处理,双倍退款最快第二天才会被发现。教训:写操作的执行账本必须支持实时核对,结果未知的事件要进入待核对队列,不是躺在日志里等批处理。
问题三:Agent 在这次事故里"做错了"什么?——这是最扎心的一问。答案是什么都没做错:模型提出退款,运行时按(错误的)策略超时重试,每个环节都按设计运行。错的是设计本身,而模型成了那个背锅的。教训:把"模型提议不等于授权"刻进架构里,提议通过受控协议提交,执行边界上验证、授权、审批、幂等逐道把关——模型的提议必须经由受控协议提交,运行时在可信边界内验证、执行、记录与反馈,这条边界要清晰到每一行代码。
复盘后的架构改造
这次事故之后我们做了三件结构性的事。
第一,把模型提议和真实执行分开记录。之前两者的记录混在日志里,出问题时根本分不清"模型建议退"和"系统真的退了"的差异。现在模型调用提议和真正业务执行分别落账,中间隔着验证、授权、策略检查三道门。
第二,执行顺序固化成一条不可颠倒的链:模型提议、校验授权、准备逻辑动作并持久化账本、以稳定幂等键分发远程调用、持久化结果或对账未知结果、最后回填模型。特别注意:不要把远程 API 请求包在一个长时间持有数据库锁的事务里——网络调用比数据库慢几个数量级,锁会把整个服务拖死。
第三,审批与幂等进入流程:所有写操作默认串行、必须审批、必须带幂等键、结果未知必须对账。异步队列场景还补了事务性发件箱,避免数据库已提交、消息没发出的双写问题。
复盘的结论
Tool Calling 不是让模型直接调用函数,而是让模型通过受控协议提出操作,由运行时在可信边界内验证、执行、记录与反馈。这句结论里每四个字,都是我们用一次差点双倍退款的事故换来的具体理解:受控协议意味着申请单不可直接执行,可信边界意味着权限在服务层校验,记录意味着提议和执行分开落账,反馈意味着错误脱敏回填。
写操作的安全没有银弹,只有三件朴素的事:幂等键、对账、人工兜底。你的 Agent 系统如果还没做这三件事,这篇就当是替你提前踩了一次雷。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】


为什么要学习大模型?
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年,人才缺口已超百万,凸显培养不足。随着AI技术飞速发展,预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。


大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手,方向至关重要。 正确的学习路线可以为你节省时间,少走弯路;方向不对,努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划,带你从零基础入门到精通!

2、大模型学习书籍&文档
学习AI大模型离不开书籍文档,我精选了一系列大模型技术的书籍和学习文档(电子版),它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告
2025最新行业报告,针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估,以了解哪些行业更适合引入大模型的技术和应用,以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码
学以致用,在项目实战中检验和巩固你所学到的知识,同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题
面试不仅是技术的较量,更需要充分的准备。在你已经掌握了大模型技术之后,就需要开始准备面试,我精心整理了一份大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。

适用人群

第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

307



被折叠的 条评论
为什么被折叠?



