长运行 Agent 检查点、恢复与人工 Steer：Claude Code / Codex / OpenClaw / Hermes

长运行 Agent 的难点不在于把进程留在后台，而在于进程、客户端、Gateway 或机器中断之后，系统能否分辨“聊天可以恢复”“执行可以继续”和“外部副作用已经发生”这三件事。正确的生产答案不是重新运行最后一条 prompt，而是从持久状态、租约、幂等键和下游回执做恢复决策。

后台 job、lease 与取消传播见 Agent 自动化与后台编排生产设计，持续授权/撤权见 长任务 Agent 持续授权与紧急撤权，证据与 effect 对账见 Agent 观测、取证与事故响应手册。

当重点是多系统写操作的业务幂等、SAGA 补偿、不可逆边界与对账协议时，继续阅读 Agent 外部副作用事务与补偿。

30 秒总答法

我把长运行 Agent 分成逻辑 task、一次 execution attempt、交互 session 和外部 effect 四个对象。控制面在副作用前、工具返回后、人工等待前、worker 切换前写 checkpoint，持久化计划版本、run manifest、已验证 artifact、lease/fence、approval、intent digest、idempotency key 与 effect status。恢复时先获得新 lease，并重新检查身份、策略、配置、环境和审批；然后按 effect 对账结果决定 continue、wait、compensate、ask human 或从安全 step 重启。人工中途 steer 不是普通聊天追加，而是带 expected_plan_revision 的暂停/取消/重规划命令，先撤销未开始 step 的能力，再处理在途 effect。Claude Code 的 background session 可在 terminal 关闭后继续但休眠/关机后要 respawn；Codex 允许跨设备查看、批准与改方向而执行仍留在受信机器；OpenClaw 把 session/job/queue 放入持久存储并带恢复安全阀；Hermes 以 SQLite session、独立 background session 和 jobs API 支持恢复。所有 Runtime 的 transcript resume 都不能替代业务 effect 的查询与幂等控制。

一、四个对象与三种恢复

对象	负责什么	可持久化事实
Task	业务目标与最终验收	owner、DAG、预算、终态
Attempt	某次执行尝试	worker、lease、plan revision、checkpoint
Session	人机对话与上下文	transcript、summary、system/config snapshot
Effect	外部世界变化	idempotency key、resource ID、receipt、对账状态

恢复层	能恢复	不能自动保证
Conversation resume	消息、摘要、工具历史	外部调用未发生或仍可重试
Execution resume	job、step、队列、worker 分配	下游资源的真实状态
Business recovery	effect 状态、补偿路径	模型重新推理得到相同文本

核心原则： transcript 是线索，effect receipt 才是事实。生产系统不能因为“历史里说已部署”就跳过下游查询，也不能因为进程消失就默认部署失败。

二、检查点模型

checkpoint:
  task_id: task_842
  attempt_id: att_104
  sequence: 19
  state: WAITING_FOR_APPROVAL
  plan_revision: 7
  manifest_digest: sha256:...
  lease: {id: lease_23, fence: 18, expires_at: ...}
  completed:
    - {step: reproduce, artifact: sha256:..., verified: true}
    - {step: patch, artifact: git:worktree@abc123, verified: true}
  pending:
    step: deploy_staging
    intent_digest: sha256:...
    idempotency_key: dep_task842_rev7
    approval_id: apr_390
  effects:
    - {id: ci:run/19, status: CONFIRMED}
    - {id: deploy:pending, status: UNKNOWN}

检查点应在 effect boundary、人工等待、DAG 节点完成和 context 压缩/迁移处写入，而不是每一个 token。要求如下：

1. 使用 sequence 或 compare-and-set 追加，旧 worker 不能覆盖新状态。
2. 保存 artifact/effect 的 digest 和受控引用，不将密钥/原始私有内容塞进 transcript。
3. 同一 effect 使用稳定 idempotency key；恢复先 query，再执行。
4. 未终态 effect 标记 UNKNOWN，不能被自动归类为成功或失败。
5. checkpoint 与 run manifest、policy revision、capability/approval 关联，恢复时可验证是否过期。

三、恢复状态机

interrupted / disconnected
          |
          v
RECOVERY_CANDIDATE -> validate checkpoint -> acquire new lease
          |                                      |
          | invalid/stale                         v
          v                               reconcile effects
      NEEDS_HUMAN                    /       |       |       \
                                  continue  wait  compensate  restart-safe-step

恢复 admission 必须检查：task 是否取消、当前 owner/fence、policy 与 capability 是否有效、manifest/环境是否可用、资源锁是否仍持有、审批是否过期、checkpoint 是否完整。之后按下游查询结果决策：

对账结果	动作
NOT_STARTED	在当前 grant/lease 下继续该 intent
CONFIRMED	写 checkpoint，进入下一 step，不重发
IN_PROGRESS	等待/轮询到上限，禁止并发重复提交
UNKNOWN	冻结分支，交给 reconciler 或人工
FAILED_COMPENSABLE	新建补偿 task 与审批，不在原 run 静默修复

取消仅表达意图；停止进程、撤销凭证和 effect 对账各自都必须完成。网络分区下旧 worker 可能继续运行，因此所有写网关还应检查 lease fence/owner revision，拒绝迟到写入。

四、人工 Steer 协议

人类说“先别部署，只生成报告”时，把文本追加到 session 不会可靠地停止已调度 worker。应写入版本化控制命令：

{
  "command_id": "cmd_211",
  "task_id": "task_842",
  "expected_plan_revision": 7,
  "operation": "SUSPEND_AND_REPLAN",
  "scope": ["deploy_staging", "notify_release"],
  "issued_by": "user:alice"
}

控制面 CAS 更新 plan revision，撤销未开始 step 的 capability/lease，向在途 worker 发 cooperative cancel。对于已经跨过 effect boundary 的 step，先对账，再决定补偿；新计划可复用已验证 artifact，但不能复用已经失效的审批。

命令	对未开始 step	对已发生 effect
PAUSE	不再领取，保留 checkpoint	不回滚，等待决策
CANCEL	revoke lease，终止 runner	对账后按需补偿
REPLAN	建立新 DAG revision	只复用验证过的 artifact
ANSWER_QUESTION	解锁等待 step	回答写入新 checkpoint/digest
TAKE_OVER	人类/新 owner 获得控制权	旧 owner 因 fence 失效

前端 SSE/WebSocket 断开不等于任务取消。客户端用 event cursor 重连，控制面提供当前状态快照并允许重复投递幂等 command；最终交付仍以 durable task/effect 状态确认。

五、四类 Runtime 的公开恢复面

Claude Code

Agent View 使用独立 supervisor 托管后台 session，terminal 关闭后仍可 attach、reply、stop 或 respawn，并将 session state 留在本地磁盘。官方同时明确背景 session 不穿越机器休眠/关机，醒来后要重启；worktree 随 session 删除还可能丢失未合并改动。实践上将它当 conversation/execution 的便利层，不让它单独决定发布、付款或外发的恢复。

Codex

Work with Codex from anywhere 允许从授权设备查看 active thread、输出、diff、测试与批准、改变方向；文件、凭证、权限和本地配置仍留在实际执行机，relay 不直接暴露设备。远程 steer 应写入企业控制面并经身份/权限检查，而不是把手机 UI 状态当作 effect ledger。

OpenClaw

Restart Recovery 将 session、job、subagent、background record、outbound queue 与 cron state 持久化，Gateway 重启后可恢复中断工作；同时不会盲目重跑不安全 transcript tail、过久中断的 child 或反复失败的 session。Cron 的 job/run history 也保存在共享 SQLite。这是很好的 runtime 防护，但业务系统仍须幂等与对账。

Hermes

Hermes Sessions 在 SQLite 保存模型配置、system prompt snapshot、消息、工具结果和 lineage，可按 ID/名称恢复；CLI 的 /background 则创建独立 conversation，只继承当前配置不继承当前历史。生产工作流应使用 session ID 关联证据，却不能因为有完整消息历史就自动重发工具调用。

六、系统设计题

Agent 用 90 分钟分析告警、生成修复 PR，等待 staging 审批时 laptop 休眠、Gateway 重启。用户从手机说“停止部署，只保留报告”。如何保证安全？

1. Research、patch、test、approval、deploy 是独立 step；已完成 step 有 artifact/evidence checkpoint，deploy 仅有冻结 intent，尚未产生 effect。
2. 进程中断后 lease 过期。恢复 worker 重新校验 manifest、policy、审批、owner/fence，再从 checkpoint 发现任务等待审批。
3. 手机提交 SUSPEND_AND_REPLAN(expected_revision=7)；控制面撤销 deploy capability，runner 停止领取后续 step。
4. 如果 deploy request 已发出，用 idempotency key 查询 provider。UNKNOWN 时不重试，创建 reconciliation/human task。
5. 仅基于已验证 incident artifact、PR 和 test evidence 生成报告；对话恢复绝不会自动部署。

高频追问

Q：为什么不每次 tool call 都 checkpoint？ 高频日志缺少业务语义。应在 effect、人工等待、DAG 节点和可验证 artifact 边界保存；trace 负责细节排障。

Q：怎样保证人类插话优先于 Agent 下一步？ control command 使用 plan revision 与 fence，网关每次 effect 前校验当前版本。若已经写入下游，只能对账/补偿，不能假装取消成功。

Q：恢复后模型给出不同方案怎么办？ 模型可能不确定。用 pinned manifest、artifact 和测试约束恢复；允许重新规划，但所有写 effect 都重新走当前 policy/approval。

七、上线检查表

• [ ] 有 durable task/attempt/step/checkpoint/lease/effect，而不仅有聊天 transcript。
• [ ] checkpoint 包含 plan revision、manifest、artifact、intent digest、idempotency key、approval 与 reconciliation 状态。
• [ ] resume 前重新检查 owner/fence、policy、grant、环境与 checkpoint integrity。
• [ ] UNKNOWN effect 自动进入对账，不自动重试高风险写操作。
• [ ] pause/cancel/replan/take-over 是带身份和 revision 的控制命令。
• [ ] 演练休眠、crash、Gateway restart、网络分区、重复恢复、过期审批和旧 worker 迟到写入。
• [ ] worktree/container/token/lock 在完成、取消和 orphan recovery 后显式回收。

延伸阅读

• Claude Code Agent View：background session、supervisor、respawn 与休眠限制。
• Work with Codex from anywhere：跨设备 thread、relay、远程审批与 steer。
• OpenClaw Restart Recovery 与 Cron：持久状态、恢复安全阀和 job history。
• Hermes Sessions 与 CLI Background Sessions：SQLite session、独立后台会话与恢复语义。