1. 从一次“删不掉的通知”说起:Agent操作回滚难在哪
我接手这个项目,起因是一张“发了就收不回”的通知。
当时业务方提了一个需求:用户取消订单之后,系统要把之前结算页上“已发放”的满减券、积分、运费券一并收回来。听起来很常规,对吧?订单、优惠券、积分、物流,各自都有微服务,老一套的TCC或者本地消息表方案都能做。问题出在,这件事被改造成由智能体(Agent)来执行之后,一切都变得不那么确定了。
用户下单时,AI调度官会先驱动一个“订单履约Agent”去创建订单,再驱动“库存Agent”去预占库存,然后驱动“营销Agent”去核销优惠券,最后让“物流Agent”去生成配送单。如果其中某一步失败,前面已经执行成功的操作就必须全部回滚。听起来依然是分布式事务里最常见的Saga模式场景,但真正动起手来才发现,被编排的对象从“数据库事务”变成了“Agent操作”,整个游戏的规则都不一样了。
数据库事务提交后,数据就在那里,你可以UPDATE回去,也可以DELETE掉。但Agent做了什么?它可能调用了第三方物流平台的接口,可能在外部通知群里发了一条消息,可能真的把优惠券从用户账户里扣掉了,也可能只是“以为自己扣掉了”就返回了一个成功。更麻烦的是,Agent的执行过程是黑盒的,它内部可能还有子Agent,子Agent又调用了MCP工具或者外部API。等到你要回滚的时候,你首先要回答一个问题:它到底干成了什么?干到了哪一步?
这就是本文要聊的核心:把Saga模式用在Agent这种不可完全确定的操作之上,再用状态机给整个流程立规矩。下面这套方案,是我在“智能体来了(西南总部)”这个项目里实际落地并跑过生产流量的做法,不追求理论完美,只讲怎么把一个又长又容易出岔子的Agent事务链,变成能查、能控、能补、能回滚的工程实现。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Saga模式没变,变的是被编排的对象从SQL变成了智能体
2.1 为什么传统分布式事务方案在这里失效
先对齐一个认知:在Agent执行场景下,TCC和两阶段提交(2PC)基本可以放弃。为什么?因为TCC要求每个参与者提供Try、Confirm、Cancel三个方法,这对数据库资源、缓存资源还可行,但Agent操作的本质是“一次带意图的外部调用”,结果不可预知,资源状态也不由你完全掌控。
举个实际例子。库存Agent的Try阶段去预占库存,如果只是把数据库里的库存字段减一,那确实可以做TCC。但当这个Agent背后接的是第三方供应链系统的配额接口时,对方只给你一个“申请成功”的回执,你根本没有一个和它精密对齐的Cancel接口,即使有,Cancel也未必能保证在对方系统里成功执行。你说我改它?改不了,第三方接口又不是我们家的。
2PC就更不用说了,它要求所有参与者先进入可提交状态,再由协调者统一提交或回滚。Agent的执行时长极其不稳定——大模型推理可能要几秒到几十秒,外部API还可能超时——让所有参与者一直持有资源锁等协调者指令,这在工程上就是自杀式设计。
所以最终的落地方案只能是Saga。
2.2 Saga在这里的务实形态
Saga的核心思想很简单:把一个长事务拆成一串本地事务,每执行一步都记录下来;如果某一步失败,就沿着执行顺序反向调用前面各步骤的补偿操作。它的灵魂是“补偿”,不是“回滚”。补偿不保证把世界恢复原状,只保证业务上回到一个可接受的“对账一致”状态。
在这个项目里,我把整个Saga执行链设计成如下形态:
- 主事务步骤(T1, T2, ..., Tn):由不同Agent执行,每一步完成一个独立的业务动作。
- 补偿步骤(C1, C2, ..., C(n-1)):也由Agent执行,但会是“反向操作”Agent,比如“库存恢复Agent”“优惠券退回Agent”。
- 执行过程统一接入调度官:调度官维护全链路状态,决定下一步是向前执行还是向后补偿。
- 任何一步的最终状态必须有持久化记录,不能只放在内存里。
这看起来和传统的Saga编排差不多,但Agent场景还有三个新问题要单独处理。
2.3 问题一:Agent执行结果的“不确定成功”怎么判
数据库事务的成功是确定的,事务提交了就成功了,没提交就还在那儿。但Agent返回一个“成功”,可能只是它认为自己成功了,不代表外部系统真的成功了。更麻烦的是,Agent执行超时了,不代表它没执行,可能只是响应消息丢了。
在传统Saga里,你根据数据库的返回码就能判断这一步走没走。在Agent场景里,我们必须把每一个环节的判定从“调用成功”降级为“状态更新成功”。什么意思?调用了、出参拿到了、状态落库了,才算这一步成功;如果Agent返回的是“未知”“超时”“疑似执行但未确认”,那就不能当作失败去触发补偿,而是要进入一个待确认状态,让对账巡检任务去问外部系统“你到底做没做”。
这一点我在最开始没想清楚,后面连续踩了好几个坑,具体细节会在第五部分展开。
2.4 问题二:Agent的行为有副作用,补偿不能只看数据
数据库回滚只要把数据改回去就行。但Agent操作会触发真实世界的副作用:发出去的短信、推送给第三方的单据、被扣减掉的权益。这些副作用有些是可以撤销的,有些是“不可逆”的。
所以项目里把Agent操作按可补偿性分成三类:
| 类型 | 含义 | 补偿方式 | 示例 |
|---|---|---|---|
| 可补偿操作 | 有明确的反向接口,可以撤销 | 调用反向Agent恢复 | 库存预占可释放、优惠券可退回 |
| 幂等可覆盖操作 | 没有直接撤销接口,但可以通过“冲正”或“覆盖”达到一致 | 发送冲正单据,或把状态置为“已取消” | 更新订单状态为已取消 |
| 不可补偿操作 | 副作用一旦发生就不可逆转 | 只能记录痕迹,人工介入或发布后续纠正通知 | 发送“订单已发货”短信 |
| 关键 | 不可补偿操作必须放在Saga链的末尾执行 | 前置步骤只要没有它,都可以安心补偿 | 优惠券核销可以补偿,但没有特殊必要就放后面 |
这个分类会直接影响我们怎么编排Agent的执行顺序。原则只有一个:把不可补偿的步骤尽量往后放,因为越往后,需要补偿的前置步骤越少;一旦不可补偿步骤执行完了,整个Saga就不能再进入补偿分支了。
