W6 周总结 — durable execution × context engineering 收口

日期: 2026-07-26 阶段: Phase 2 - AI-native 参考架构 标签: #week-summary #durable-execution #context-engineering

核心问题

W6 是 P2「AI-native 参考架构」的中段收口周。前半周补的是可靠性底座（durable execution：agent 怎么在崩溃/重启后不丢工作），后半周补的是上下文质量（context engineering：JIT 检索 + 自适应迭代检索）。这周要回答的元问题是：

一个并行多 agent 系统（已有 orchestrator + 子 agent + RAG + 记忆），从「demo 能跑」到「生产能信」，还差哪两块地基？

答案是这周补的两块：(1) 持久化执行——长流程不能「进程一挂全白干」；(2) 上下文工程——窗口再大也得当稀缺资源管。本总结做三件事：复盘 durable execution 三件验收、给 context engineering 的增量 eval 数字、把这两块的产出对接到 P3。

关键内容

A. durable execution 三件验收复盘

W6 前半周的硬目标是：让 orchestrator 的工作流可中断、可恢复、可审计。验收按三件锚定（对应 2026-04 的框架分层共识）：

验收 1：选型分层——Temporal 管宏观、LangGraph 管微观。 这是 2026 生产实践的共识（agentmarketcap 2026-04 原话）：

「Temporal handles macro-level workflow orchestration while LangGraph handles micro-level agent reasoning.」

判据表（决定本项目用哪层）：

反直觉洞察①（LangGraph 的 checkpoint 不是 durable execution）：直觉是「有了 checkpointing 就等于持久化执行了」。但 LangGraph「checkpointers save state between nodes, not inside nodes」——若一个节点跑了多分钟的昂贵 LLM 调用，崩在节点中途，整个节点从头重来，前面的 LLM 花费全部打水漂，造成「silent cost overruns」。真正的 durable execution（Temporal 式 journal replay）记录每个已完成步骤，崩溃后从失败的精确那一步恢复。本项目 AML 属合规域、单次 SAR 核查可能跨多分钟多 LLM 调用——所以验收明确：节点内的昂贵步骤要拆成可独立 checkpoint 的 task，或下沉到 Temporal activity，不能靠 LangGraph 节点级 checkpoint 兜底。

验收 2：非确定性副作用要被记录、replay 时复用而非重跑。 agent 是概率性的——「同一 prompt 跨调用产生不同响应」，所以重试不等于幂等。Temporal 的做法：「records non-deterministic side effects into workflow history so replay can reuse the recorded result」。落到本项目：每个外部调用（LLM、检索、链上查询）必须绑幂等键 = workflow id + step 身份，replay 时命中历史则复用，不重发。本项目 Budget 已按 step/tool-call 计数，正好提供 step 身份的天然来源。

验收 3：可恢复 = 可审计。 durable execution 的副产品是完整的执行历史（event-sourced）——「不知道这个 agent session 发生了什么」在合规域是「unacceptable answer」。这与 P1 已建的 observability（OTel GenAI semconv + trace 导出，Day 22-25）同源：trace 记录的是「发生了什么」，durable history 记录的是「卡在哪、能从哪续」。两者拼成完整审计。

B. context engineering 的增量 eval 数字

W6 后半周（Day 40-41）的产出要用数字说话，不能停在「接了 JIT」。三组增量对比：

关键是最后一行：context engineering 的增量不是无条件全量上自适应——简单问题仍走单次 hybridSearch，只有多跳问题才进 agenticRetrieve 循环。这条「复杂度路由」让增益集中在真正需要的查询上，与 durable execution 的「不是所有任务都要 Temporal」是同一种克制。

反直觉洞察②（这周补的两块都是「按需启用」而非「全量铺」）：durable execution 和 agentic retrieval 都有「全量上」的诱惑——「所有工作流都 Temporal 化」「所有检索都多跳化」。但两者的 SOTA 共识恰恰是分级：短任务用 LangGraph、长任务才 Temporal；单跳走一次检索、多跳才迭代。P2 这周学到的元原则是「按代价分级，不按能力铺满」——基础设施的可靠性和上下文的深度都是有成本的资源，要花在边际收益最高的地方。这与 Anthropic「context 当稀缺资源」、Princeton「64% 任务单 agent 即够」是同一条直觉的三次复现。

C. 与 P3 的衔接

P3（预计「评测深化 + 安全/合规加固」）需要接住 W6 的两块产出：

   W6 产出                          P3 接续
   ─────────                        ─────────
   durable execution 选型分层  ──►  P3 把 AML SAR 核查工作流落到分层骨架
   （宏观 Temporal / 微观图）         （多分钟核查 = 长任务 → 宏观层）
   非确定性副作用幂等键        ──►  P3 安全：幂等键防「重试导致重复 SAR 提交」
   JIT + sub-agent 压缩摘要    ──►  P3 把 context discipline 写进 judge 调用
   agenticRetrieve 多跳        ──►  P3 AML 资金溯源多跳（typology=checklist）
   复杂度路由                  ──►  P3 安全：多跳越权风险（权限随跳数累积）

最关键的衔接点是幂等 × 合规：AML 域里「重试导致重复提交 SAR」是真实合规事故（监管会质疑数据完整性），W6 的「幂等键 = workflow + step」直接堵这个洞——这是 durable execution 在合规域比通用 agent 更不可省的原因。P3 的安全加固（零信任、权限饥渴 agent、MCP 攻击面）会在这块地基上展开。

设计要点/决策表（W6 收口）

对本项目的落地

• W6 交付 × 证据对照表（本周可验证产出）：

• 诚实标注：W6 的笔记（Day 36-41）已交付；代码侧 agenticRetrieve.ts、orchestratorPrompt 的 context discipline 段、多跳 golden、durable execution 骨架为设计决策与函数签名级产出，端到端落地排在 P3。本总结不谎称分层持久化已上线，仅锁定选型判据与接口。
• 指向真实文件：本周改造全部围绕已有部件——src/agent/orchestrator/orchestratorAgent.ts（Budget/子 agent 压缩）、src/agent/rag/hybridSearch.ts（被 agenticRetrieve 复用）、src/agent/memory/contextBuilder.ts（compaction）、src/agent/eval/retrievalGolden.ts（多跳 golden），不新造平行体系。

参考资料

1. Anthropic — Effective context engineering for AI agents：context rot、JIT 检索、四技术（含 sub-agent 压缩摘要）(2025-09)
2. Chroma — Context Rot：18 模型普适退化、effective≪advertised (2025)
3. FAIR-RAG（arXiv 2510.22344）：充分性驱动自适应迭代、HotpotQA 0.447 vs 0.37 (2025-10)
4. When to Retrieve During Reasoning（arXiv 2604.26649）：+3.2%/+5.8%/+8.4% 随跳数递增 (2026)
5. agentmarketcap — LangGraph vs Temporal for Long-Running Agent Workflows: 2026 Decision Guide：选型判据、checkpoint 存节点之间不存内部、Temporal 宏观+LangGraph 微观分层 (2026-04)
6. Diagrid — Checkpoints Are Not Durable Execution：LangGraph/CrewAI/ADK checkpoint 不等于持久化执行的失效分析 (2026)
7. Temporal 融资/采用口径：$300M @ $5B、9.1T 累计 action（agentmarketcap / zylos research 转述）(2026-02)
8. 本仓库 src/agent/orchestrator/orchestratorAgent.ts、src/agent/rag/hybridSearch.ts、src/agent/memory/contextBuilder.ts、src/agent/eval/retrievalGolden.ts(2026-06)

SOTA 检查 (2026-06-11)

• 「durable execution 是 agent 生产基线」在 2026-06 已是共识：Temporal 2026-02 融资（$300M/$5B，1.86T action 来自 AI-native 公司）+ LangGraph 1.0 / Pydantic AI / OpenAI Agents SDK 全部把 durable execution 列为一等特性——本周「按代价分层」的选型口径与 2026 主线一致。
• 分层（Temporal 宏观 + LangGraph 微观）是当前主流模式：agentmarketcap 2026-04 明确此分工；Microsoft Agent Framework 1.0（2026-04，统一 AutoGen+SK）也走 durable workflow 路线，是本项目 P3 选型时需重新对比的第三选项（执行当周须确认版本）。
• context engineering 仍是 agent 工程 #1 难点：Anthropic 2025-09 口径在 2026-06 未被推翻；context rot 未因长窗口模型消失（Chroma 验证）。
• 过时认知警示：「有 checkpointing = 持久化执行」是常见误解（Diagrid 2026 专文纠正）——LangGraph checkpoint 不覆盖节点内部，长任务需 journal replay，本周验收 1 据此收紧。
• 待跟踪 / P3 入口：(1) AML SAR 核查工作流的分层落地（长任务下沉宏观层）；(2) 幂等键防重复 SAR 提交的合规验证；(3) Stop-RAG 式 value-based 停机替代固定 MAX_HOPS；(4) Microsoft Agent Framework 1.0 vs Temporal×OpenAI SDK 的选型重评。