知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 05 - 流式输出与可观测性 > 导读:本文从"面试官问『你的 Agent 要跑三十秒,前端怎么让用户不觉得卡死;线上某个请求失败了,你怎么查到是哪一步、花了多少钱』"这个双问题出发,把流式(Streaming)与可观测性(Observability)这对常被混淆的概念、四种输出类型的选择、SSE / WebSocket / 轮询 / 队列的取舍、图事件到业务事件的转换层、统一追踪字段,以及一个可复用的可观测节点包装器逐项讲透,最后给出工程实践与踩坑。适合准备 AI 应用 / Agent 方向面试、以及在做面向 C 端长任务的 AI 产品的同学。 ## 一、先建立全局认知 ### Q:流式输出和可观测性解决的是不是同一个问题? A:结论先行——**不是。流式解决"用户和调用方何时看见进度",可观测性解决"工程师为什么能定位这一次失败、成本和状态";两者应共享关联标识,但不要把框架内部对象原样暴露到客户端**。 这个区分很关键,因为初学者常把它们混成一件事,结果两边都做不好: ```text 流式(面向使用方): 目标:让用户/调用方尽快看到"在做、做到哪了" 关注:延迟、进度、可读性 边界:只暴露"稳定的业务事件",不暴露框架内部结构 可观测性(面向工程师): 目标:能回答"这一次为什么慢/错/贵" 关注:trace、指标、日志、成本、状态 边界:信息要全,但必须脱敏、限权、设保留期 ``` **两者的交集是"关联标识"**:一个进度事件和一个日志条目,都应该带上同样的 `trace_id` / `thread_id` / `run_id`,这样用户看到的"卡住了"才能被工程师对应到具体的失败节点。但两者的输出内容是分开设计的——**给用户看的是"节点完成了、进度 60%"这种稳定抽象;给工程师看的是"模型调用耗时 3.2 秒、token 1200、错误码 SEARCH_TIMEOUT"这类细节。** 面试里可以这样一句话概括:**"流式是产品体验问题,可观测性是工程质量问题;它们共用同一套 ID,但不共用同一套输出。"** ### Q:AI 应用的"流式"和普通 Web 的"流式"有什么不一样? A:结论先行——**主要差别有三点:AI 流式的"总时长不可预估"、内容"逐步生成且长度不定"、以及过程本身包含多个业务阶段(检索、推理、工具调用);因此不能照搬普通 Web 的"分段加载"思路**。 逐条对比: | 维度 | 普通 Web 流式 | AI 应用流式 | |---|---|---| | 总时长 | 通常秒级、可预估 | 可能几秒到几小时,不可预估 | | 内容确定性 | 数据已存在,只是分批下发 | 内容正在被生成,长度不定 | | 中断/重试 | 重发请求即可 | 涉及状态、成本与副作用,需幂等与恢复 | | 进度语义 | 字节百分比 | 业务阶段(检索完、推理完、待审批) | 这张表解释了为什么 AI 应用的流式设计**必须和状态持久化、可观测性绑在一起**:因为"过程"本身就是一次可恢复的业务执行的中间态,而不是"同一份数据的第二个分片"。也解释了为什么"进度百分比"在 AI 场景里往往不适用——你能说清"检索完了"是什么阶段,但很难说清"推理完成 63%"。 面试里可以用这个对比收口:**"普通流式是'把已有的东西分片发出去',AI 流式是'让用户看到一件正在发生的事'。前者是传输问题,后者是产品与工程协同问题。"** ### Q:流式输出有哪几类?分别该选哪一种? A:结论先行——**常见有四类:`updates`(节点改了什么)、`values`(每步完整 State)、`messages` / token(模型逐字生成)、custom event(业务进度与工具状态);默认推荐 `updates`,生产 API 首选自定义事件**。 | 输出类型 | 适用场景 | 常见消费者 | 数据量 | |---|---|---|---| | `updates` | 某节点改了什么字段 | 进度条、调试器 | 低,推荐默认使用 | | `values` | 每步完整 State | 内部审计、排障 | 高,避免直接给前端 | | `messages` / token | 模型逐字生成 | 聊天 UI | 中到高,依赖模型适配器 | | custom event | 业务进度与工具状态 | 前端、队列消费者 | 可控,生产 API 首选 | 四类的取舍逻辑各不相同: - **`updates` 是"边界清晰"的默认选择**:消费方只需识别"哪个节点产生了什么局部更新",不必复制整个 State。它天然适合进度条和调试。 - **`values` 数据量大、信息全**:适合内部审计和排障,但**不适合直接给前端**——把完整 State 推给客户端,既浪费带宽,又极易把内部字段、敏感信息一起泄漏出去。 - **`messages` / token 逐字流**:是聊天类 UI 的刚需,但它**依赖模型适配器**是否支持逐 token 输出,行为在不同模型/版本下会有差异(**具体行为需结合版本确认**)。 - **custom event 是生产 API 的首选**:因为你可以自己定义"事件名 + 载荷",把框架细节挡在服务边界之内。 一个实操建议:**如果你面向的是外部 API 消费者,就从 custom event 开始设计;如果只是内部调试,用 `updates` 最省事。** ### Q:SSE、WebSocket、轮询、队列,该怎么选? A:结论先行——**单向推送进度用 SSE,双向交互(取消、审批)用 WebSocket,超长任务用"任务 ID + 轮询",需要可恢复与审计的后台任务用"队列 + 事件存储"**。 | 方式 | 适合 | 不适合 | |---|---|---| | SSE | 服务端单向推送模型 token、任务进度 | 客户端需频繁反向发送控制命令 | | WebSocket | 双向会话、取消、交互式审批 | 简单单向流,运维复杂度更高 | | 任务 ID + 轮询 | 超长任务、移动端、可靠结果查询 | 低延迟逐 token 体验 | | 队列 + 事件存储 | 可恢复后台任务、审计 | 直接替代 HTTP 实时通道 | 四种方式的定位可以这样理解:**SSE 是"轻量单向流"**,用普通 HTTP 就能实现,运维简单,适合"我只想服务器持续告诉我进度"。**WebSocket 是"双向通道"**,能力强但引入了连接管理、心跳、断线重连、网关兼容性等一堆运维问题,只有确实需要"客户端中途发指令"时才值得。**轮询是"最笨但最可靠"**,适合任务时长跨度大(几分钟到几小时)、移动端网络不稳、以及"结果查询比过程展示更重要"的场景。**队列 + 事件存储**解决的是另一个层面的问题——可恢复、可审计的后台任务,它通常与前面三者组合使用,而不是互相替代。 一条必须记住的架构原则是:**不要让 HTTP 请求一直阻塞来等待小时级任务。** 正确姿势是: ```text HTTP 请求 → 创建任务,立即返回 thread_id(毫秒级响应) Worker → 消费队列,执行图,写 checkpoint 与事件 UI → 通过 SSE / WebSocket / 查询接口获取进度 ``` 这样做的收益是复合的:**连接不会被长期占用、任务可以重试和恢复、进度可以被多个前端消费、审批可以异步插入。** ## 二、把图事件变成稳定的业务事件 ### Q:最基础的流式用法长什么样? A:结论先行——**最基础的是用 `app.stream(..., stream_mode="updates")` 遍历,逐个拿到"某个节点改了哪些字段"**。 ```python config = {"configurable": {"thread_id": "stream-1"}} for update in app.stream( {"request": "解释 LangGraph"}, config=config, stream_mode="updates", ): # 例如:{"classify": {"category": "technical"}} print(update) ``` `updates` 是边界清晰的默认选择:**消费方只需识别哪个节点产生了什么局部更新,不必复制整个 State。** 注意这里的 `config` 里带了 `thread_id`——流式输出应当和持久化一起用,否则断线后就无法恢复,用户刷新页面等于任务清零。 **版本提示**:`stream_mode` 的取值集合、事件的具体包装结构(尤其是多模式组合时)在不同版本间有调整,**细节需结合版本确认**;但"按节点粒度获取增量更新"这个基本形态是稳定的。 ### Q:断线重连和取消该怎么做? A:结论先行——**两者的共同前提都是"状态已经持久化 + 有稳定的 `thread_id`":重连靠"按 `thread_id` 重新订阅或查询最新状态",取消靠"把取消信号变成一个明确的终态",而不是直接杀掉连接**。 先看断线重连。因为图的状态存在 checkpoint 里,用户刷新页面或网络抖动后,你有两种恢复方式:**其一,查询式**——直接用 `thread_id` 读取当前状态(在完整项目示例里可以看到,读取历史快照不需要重新运行图),把"当前进度 + 最终结果"一次性还给前端;**其二,订阅式**——重新建立流式连接,从当前状态继续往后推事件。前者实现简单、适合最终以"结果"为主的场景;后者体验更连续,但需要处理"从哪个点续推"的问题。 再看取消。这里有两条纪律:**第一,取消必须落成状态**——在 State 里记录 `cancelled` 这类终态与原因,这样审计、统计、恢复都有据可查;**第二,取消要能真正传导**——如果某个节点正在做一次长耗时调用,取消信号要能中断它,否则"用户以为取消了、后台还在烧钱"。 一个常见的错误做法是"客户端断开连接就等于取消"。**连接断开可能只是网络抖动**,把两者等同会导致用户一刷新就把任务杀掉。正确做法是**区分"连接生命周期"与"任务生命周期"**:连接断了,任务可以继续;只有显式取消才终止任务。这条区分同样适用于前面讲的"长任务不要阻塞 HTTP"——**任务的生死与某一条连接无关,这才是长任务系统的基本假设。** ### Q:把图事件变成稳定的业务事件(续):为什么不直接转发框架输出? A:结论先行——**因为框架输出格式可能随版本变化,直接把它当公共 API 暴露,等于把"升级框架"变成"破坏客户端兼容"**;在服务边界做一层转换,可以把它映射成稳定的业务事件。 ```python import json from collections.abc import AsyncIterator async def stream_ticket(user_text: str, thread_id: str) -> AsyncIterator[str]: config = {"configurable": {"thread_id": thread_id}} yield f"event: started\ndata: {json.dumps({'thread_id': thread_id})}\n\n" async for update in app.astream( {"request": user_text}, config=config, stream_mode="updates", ): node, state_update = next(iter(update.items())) payload = {"type": "node_finished", "node": node, "data": state_update} yield f"event: progress\ndata: {json.dumps(payload, ensure_ascii=False)}\n\n" yield "event: completed\ndata: {}\n\n" ``` 这段代码演示的是经典的 SSE 报文格式(`event:` / `data:` 两行加空行)。逐点解读它的设计意图: 1. **对外只暴露三个业务事件**:`started`、`progress`、`completed`。客户端只需要理解这三种,框架怎么演进都与它无关。 2. **每个事件都有稳定结构**:`{"type": ..., "node": ..., "data": ...}`,前端可以据此写通用的渲染逻辑,而不必对每个节点写特例。 3. **保留 `thread_id`**:断线重连、取消、恢复都靠它;这也是"流式与可观测性共享标识"的具体体现。 4. **`ensure_ascii=False`**:保证中文可读;顺手也提醒我们"序列化后的内容是要给人看的,别把整个 State 塞进去"。 **FastAPI 等服务可把该生成器作为 SSE 响应体。** 但生产中还应处理四件事:**客户端断开**(要能感知并停止无用的计算)、**取消信号**(用户点了取消要能传导下去)、**JSON 序列化错误**(遇到不可序列化的对象要降级而不是崩掉整个流)、以及**敏感字段过滤**(推送前必须过滤,而不是指望前端不看)。 ### Q:为什么强调"不要把框架内部对象原样暴露到客户端"? A:结论先行——**因为框架内部对象既包含你不希望外部看到的细节,也包含随版本变化的结构,还可能是不可序列化的;把它们原样透传,会同时造成安全风险、兼容风险和可用性风险**。 三种风险具体表现为:**安全风险**——完整 State 里可能有内部错误码、检索到的内部文档片段、用户隐私字段;**兼容风险**——框架升级后事件结构变化,所有客户端一起崩;**可用性风险**——大对象序列化慢、报文体积大,弱网下体验变差。 所以正确的做法是"**白名单式输出**":在你自己的服务层里,显式挑选"哪些字段、哪些事件可以对外",而不是"默认全给、出问题再过滤"。这是安全设计里一贯的原则——**默认拒绝,显式允许。** ## 三、统一追踪字段 ### Q:结构化日志要怎么写才算"可检索、可聚合"? A:结论先行——**关键是把变量放进独立字段而不是拼进消息文本:`logger.info("graph_node_finished", extra={"node": ..., "latency_ms": ...})` 这样的写法,日志系统才能按字段过滤、分组和告警**。 对比一下两种写法带来的差别: ```text ✗ 拼字符串: logger.info(f"节点 {name} 完成,耗时 {ms} 毫秒,状态 {status}") → 想统计"检索节点 P95 耗时",只能做脆弱的文本正则 ✓ 结构化字段: logger.info("graph_node_finished", extra={"node": name, "latency_ms": ms, "outcome": status}) → 可直接按 node 分组、按 latency_ms 分位、按 outcome 过滤 ``` 结构化日志有三个直接收益:**其一,可聚合**——任何字段都能变成聚合维度;**其二,可告警**——"某节点失败率超过阈值"这类规则可以直接配置;**其三,可关联**——把 `trace_id` / `thread_id` / `run_id` 作为字段写入后,一次检索就能把一条业务执行的全部日志按时间串起来。 同时要牢记前面那条安全红线:**结构化不等于可以随便记**。字段化的便利会让"顺手多记一个字段"变得毫无成本,因此更需要白名单式的字段设计——**只记经过评审的字段,尤其是不要记原始入参和原始模型输出。** ### Q:一次可观测的执行,应该携带哪些追踪字段? A:结论先行——**至少九个:`trace_id`、`thread_id`、`run_id`、`node`、`attempt`、`model/tool`、`latency_ms`、`tokens/cost`、`outcome`**。 ```text trace_id 一次 HTTP 请求或消息入口,贯穿网关、Worker 与工具 thread_id 一条可恢复的 LangGraph 业务执行 run_id 某次图运行;同一 thread 可以多次运行 node 当前节点名 attempt 当前节点或任务第几次尝试 model/tool 模型、工具与版本标识 latency_ms 节点、模型或工具的耗时 tokens/cost 输入输出 token 与成本(若模型供应商可提供) outcome success / retry / fallback / rejected / cancelled ``` 这九个字段不是随便凑的,它们对应四类问题:**"这是哪次请求"(trace_id)、"这是哪条业务执行、第几轮"(thread_id、run_id、attempt)、"卡在哪、花了多少"(node、latency_ms、tokens/cost)、"最后怎么收场"(outcome、model/tool)。** 有了这四类信息,绝大多数线上问题都能在几分钟内定位,而不是靠加日志重试。 ### Q:为什么 `trace_id` 和 `thread_id` 不能混用? A:结论先行——**因为它们的生命周期和用途完全不同:`trace_id` 用于横跨服务定位"这一次请求",`thread_id` 用于恢复"同一条业务执行";一个业务执行可能由多次请求(多次 trace)驱动,一次请求也可能触发多个业务执行**。  *图:一个审批跨越两次 HTTP 请求,thread 仍是同一条* ```text 一次 HTTP 请求(trace_id = T1) └─ 触发一次图运行(thread_id = order-2026-001, run_id = R1) ↓ 等待审批(请求结束) 审批后新的 HTTP 请求(trace_id = T2) └─ 恢复同一条业务执行(thread_id = order-2026-001, run_id = R2) ``` 从这张图可以看出:**如果把两者当成一个字段,就无法回答"这条业务执行一共经历了几次请求"或"这次请求触发了哪些业务执行"**。而这两个问题在排障时都很常见——前者用于算端到端时延,后者用于排查"一次批量操作影响了哪些订单"。 **将它们写入结构化日志、指标标签和 trace 属性**,是让这两个维度真正可用的一步。日志里带上它们,就能按业务执行把散落多天的记录串起来;指标里带上它们(通常按 `thread_id` 前缀或业务维度聚合),就能统计"某类任务的失败率";分布式追踪里带上它们,就能看到跨服务调用链。 需要提醒的是:**把高基数(high cardinality)的标识当指标标签要谨慎**——`thread_id`、`run_id` 每个都不同,如果直接作为指标维度,会导致指标序列爆炸、存储成本失控。常见做法是只把"业务类型、节点名、outcome"这类低基数维度作为指标标签,高基数标识只写进日志与追踪。 ## 四、可观测节点包装器 ### Q:怎么给每个节点统一加上计时和异常日志? A:结论先行——**用装饰器/高阶函数包一层,把"计时、成功日志、异常日志"集中在一处,节点本身保持纯粹**。 ```python import logging import time from collections.abc import Callable logger = logging.getLogger(__name__) def observed(name: str, node: Callable[[dict], dict]) -> Callable[[dict], dict]: def wrapped(state: dict) -> dict: started = time.perf_counter() try: update = node(state) except Exception: logger.exception("graph_node_failed", extra={"node": name}) raise logger.info( "graph_node_finished", extra={"node": name, "latency_ms": round((time.perf_counter() - started) * 1000)}, ) return update return wrapped ``` 这段包装器值得逐点解读: 1. **用 `perf_counter` 而不是墙钟时间**:单调时钟适合测量耗时,不受系统时间调整影响。 2. **异常路径先记录再 `raise`**:`logger.exception` 会带上堆栈,而 `raise` 保证行为不变——**包装器只增加可观测性,不改变控制流**,这是它最重要的性质。 3. **`extra={"node": name}`**:把节点名作为结构化字段写入,而不是拼进消息字符串。这样日志才能被检索、聚合、告警。 4. **返回 `update` 原样透传**:包装器对图的语义完全透明。 使用时把它套在每个节点上即可:**注册到图里的是包装后的函数,节点实现不变**。这类横切关注点(cross-cutting concern)用包装器统一处理,比在每个节点里手写日志要可靠得多——**手写日志的问题是"新人写节点时容易忘",而包装器的问题是"不可能忘"。** ### Q:一个包装器能覆盖什么、不能覆盖什么? A:结论先行——**它能覆盖"每个节点的耗时与异常",但不能覆盖"模型调用的 token 与成本、工具级别的重试、跨服务的链路";后者需要模型适配器与分布式追踪来补**。 诚实地说清边界,比夸大工具有用: | 观测目标 | 靠什么实现 | |---|---| | 节点耗时、节点异常 | 节点包装器 | | 模型 token / 成本 | 模型适配器或回调(callback),需结合供应商能力 | | 工具调用的失败与重试 | 工具层包装,记录 `error_code` 与 `retryable` | | 跨服务调用链 | 分布式追踪(例如 OpenTelemetry 等) | | 业务完成率、路由正确率 | 离线评测 + 线上 outcome 埋点 | **特别要标注的是"模型 token / 成本"这一行**:能否拿到 token 数、成本信息,取决于模型供应商是否提供,以及你用的适配器是否透传。**具体能力需结合版本与供应商确认**,不要在设计阶段就假设一定能拿到精确成本。 ### Q:指标和告警应该看什么? A:结论先行——**至少看四类:失败率与 `outcome` 分布、延迟分位数、成本(token / 金额)、以及积压类指标(待审批数量、队列长度)**。 四类指标各自对应不同的线上问题:**失败率与 `outcome` 分布**能告诉你"系统是不是变差了",并且能区分是 `retry` 增多、还是 `fallback` 增多、还是直接 `failed`;**延迟分位数**(P50 / P95 / P99)比平均值有用得多,因为平均值会被大量快请求稀释,掩盖长尾;**成本指标**是 AI 应用特有的,token 与金额的突增往往意味着出现了循环或提示词膨胀;**积压类指标**(待审批数量、队列深度)对应"人跟不上机器"这类运营问题,是长任务系统最容易被忽略的告警项。 一句总结:**"失败率告诉你坏了没有,延迟告诉你快不快,成本告诉你贵不贵,积压告诉你人跟不跟得上。"** ### Q:Checkpoint、日志、指标、Trace 这四者是什么关系? A:结论先行——**它们回答的是不同的问题、且互补:Checkpoint 回答"业务现在到哪一步了"(用于恢复),日志回答"当时发生了什么"(用于追查细节),指标回答"整体趋势如何"(用于告警),Trace 回答"这次调用经过了哪些环节"(用于定位链路)**。 | 数据面 | 回答的问题 | 典型用途 | 保留期倾向 | |---|---|---|---| | Checkpoint | 业务状态是什么、能否续跑 | 恢复、审批、审计 | 与业务生命周期一致 | | 日志 | 某次执行的具体细节 | 排障、取证 | 中短期,脱敏 | | 指标 | 系统整体是否健康 | 告警、容量规划 | 长期,低基数 | | Trace | 一次调用经过了哪些服务 | 链路定位、性能分析 | 中短期,可采样 | 用一句话把四者串起来:**"指标告诉你出问题了,Trace 告诉你是哪条链路,日志告诉你具体错在哪,Checkpoint 让你能把这条业务执行修好并继续。"** 这四个动作构成一条完整的响应链,缺任何一个都会让排障断在半路。 需要特别说明的是"保留期倾向"这一行:**Checkpoint 往往需要保留得和最长的业务流程一样久(可能跨天),因此它的存储成本与合规压力最大;而日志和 Trace 可以通过采样和短期保留来控制成本。** 这也是为什么前面强调"State 里不要堆原始大输出"——那个决定直接决定了 Checkpoint 的存储规模。 ## 五、工程实践与踩坑 ### Q:日志与追踪上有哪些安全红线? A:结论先行——**不要记录 API Key、完整身份证件、未脱敏 prompt、工具密钥或原始敏感输出;checkpoint、trace 和日志都应配置保留期、访问控制与脱敏策略**。 为什么这三类数据要放在一起治理?因为它们有共同的属性——**都会被持久化、都会被多人访问、都会被留存很久**。任何一处脱敏缺失、权限过宽或保留过长,都会变成一个长期存在的数据泄漏面。 | 数据面 | 主要风险 | 治理手段 | |---|---|---| | 日志 | 明文凭据、PII(个人信息)、原始 prompt | 脱敏、结构化白名单、访问控制 | | Trace | 请求参数、内外网地址、工具参数 | 属性级脱敏、采样、保留期 | | Checkpoint | 全量业务状态、含敏感字段 | 加密、租户隔离、保留与删除策略 | 实践中最容易出问题的是"**异常堆栈直接落日志**":一串 `str(exc)` 里可能带着连接串、查询参数、甚至密钥。所以**在把异常写进 State 或日志之前,先做一次脱敏**,这是本篇从"容错"到"安全"的一条贯穿线索。 ### Q:流式与可观测性相关的高频坑有哪些? A:结论先行——**大致六类:把完整 State 推给前端、不做事件转换层、长任务阻塞 HTTP、忘记带关联 ID、指标维度基数过高、以及把敏感内容写进日志/事件**。 | 坑 | 现象 | 正确做法 | |---|---|---| | 推 `values` 给前端 | 报文巨大、内部字段泄漏 | 只推必要字段,优先自定义事件 | | 直接转发框架事件 | 框架升级导致客户端全崩 | 服务边界做事件转换层 | | 长任务阻塞请求 | 连接超时、网关断开、无法恢复 | 创建任务立即返回,进度异步获取 | | 事件不带关联 ID | 排障时无法把进度与日志对上 | 事件与日志统一携带 trace/thread/run | | 高基数标识当指标标签 | 指标序列爆炸、成本失控 | 高基数只进日志/追踪,标签用低基数 | | 敏感内容进日志/事件 | 数据泄漏、合规风险 | 输出前脱敏 + 访问控制 + 保留期 | 还有两个偏"体验"的坑值得提一句:**一是**,把所有节点更新都推给前端但前端只展示"加载中",等于白推,事件设计应当想清楚"每个事件会驱动什么界面变化";**二是**,进度事件太密(例如逐 token 推给一个只需要阶段进度的界面)会造成渲染抖动,通常要做节流(throttle)。**可观测性和流式输出一样,都要为消费方设计,而不是"有多少给多少"。** ## 小结 - 流式解决"何时看见进度",可观测性解决"为什么失败、花了多少";两者共享关联 ID,但输出内容分开设计。 - 输出类型按需选:`updates` 是默认、`values` 只给内部、token 流给聊天 UI、custom event 给生产 API。 - 传输方式:单向用 SSE、双向用 WebSocket、超长任务用轮询、可恢复后台任务用队列 + 事件存储。 - 不要在服务边界直接暴露框架内部对象;用一层事件转换把框架事件映射为稳定的业务事件,并处理断开、取消、序列化与脱敏。 - 统一追踪字段(trace / thread / run / node / attempt / model / latency / tokens / outcome)是排障效率的基础,高基数标识不要当指标标签。 - 节点包装器统一处理计时与异常,只增加可观测性、不改变控制流;成本与跨服务链路需要另外的机制。 ## 思考题 1. 为什么把每步完整 State(`values`)推给前端是危险设计?请从带宽、兼容与安全三个角度说明。 2. 一次业务执行跨了两天、由三次 HTTP 请求驱动,请写出这段时间里 `trace_id`、`thread_id`、`run_id` 分别有几个、各自标识什么。 3. 如果某类任务的方差很大,"平均耗时"为什么不能反映真实体验?你会看哪些指标? 4. 节点包装器在异常时"先记录再抛出",为什么不直接吞掉异常返回默认值?吞掉会带来什么后果? 5. 请设计一套面向外部 API 消费者的事件协议:列出事件名、载荷字段、以及断线重连时的行为约定。
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入