analysis_claude_code/s11_error_recovery/README.zh.md

s11: Error Recovery — 错误不是结束，是重试的开始

English · 中文 · 日本語

s01 → ... → s09 → s10 → s11 → s12 → s13 → ... → s20 → s21

"错误不是终点, 是重试的起点" — 升级 token、压缩上下文、切换模型。

Harness 层: 韧性 — 主循环遇到错误时分类并恢复。

---

问题

Agent 跑着跑着报错了：

Error: 529 overloaded

Agent 崩溃了。它没有重试、切换模型或减少上下文，调用直接终止。

LLM API 调用可能失败。本章处理三种情况：输出截断、上下文超限和临时故障（429/529）。

---

解决方案

s10 的循环、prompt 组装全部保留。唯一的变动：LLM 调用包裹在 try/except 里，根据错误类型走不同的恢复路径。恢复后 continue 回到循环开头重新调用 LLM。

本章实现三种恢复模式：

模式	触发	恢复动作
输出截断	max_tokens	升级 8K→64K / 续写提示
上下文超限	prompt_too_long	reactive compact → 重试
临时故障	429 / 529	指数退避 + 抖动，连续 529 可切换备用模型

---

工作原理

路径 1: 输出被截断

模型话说一半，max_tokens 用完了。默认 8000 token 不够它输出完整回答。

第一次发生时，直接把 max_tokens 从 8K 升级到 64K（8 倍空间），然后重试同一请求。这个阶段不追加截断输出到 messages，保持原始请求不变。如果 64K 还是不够，才保存截断输出并注入续写提示让模型接着刚才的话继续说，最多 3 次：

if response.stop_reason == "max_tokens":
    # First escalation: don't append truncated output, retry same request
    if not state.has_escalated:
        max_tokens = ESCALATED_MAX_TOKENS
        state.has_escalated = True
        continue  # messages unchanged, same request with more tokens
    # 64K still truncated: save output + continuation prompt
    messages.append({"role": "assistant", "content": response.content})
    if state.recovery_count < MAX_RECOVERY_RETRIES:
        messages.append({"role": "user", "content":
            "Output token limit hit. Resume directly — "
            "no apology, no recap. Pick up mid-thought."})
        state.recovery_count += 1
        continue
    return  # still truncated after 3 continuations
# Normal: append after max_tokens check
messages.append({"role": "assistant", "content": response.content})

升级只有一次机会，续写最多 3 次。超过这个上限就退出，因为继续续写也不会有实质产出。

路径 2: 上下文超限

LLM 说"你的上下文太长了"（prompt_too_long）。s08 的四层压缩全跑过了，还是超。

触发 reactive compact：保留最后 5 条消息后重试一次。如果仍然超限，则退出：

except PromptTooLongError:
    if not state.has_attempted_reactive_compact:
        messages[:] = reactive_compact(messages)
        state.has_attempted_reactive_compact = True
        continue
    return  # 压缩过了还是超限，只能退出

路径 3: 临时故障

网络抖动、429 限流和 529 过载是分布式系统的常态，并不表示代码存在 bug。

429 和 529 统一走指数退避 + 抖动：第一次等 0.5 秒，第二次等 1 秒，第三次等 2 秒，最多 10 次。加随机抖动让并发请求不在同一时刻重试。连续 3 次 529 过载 → 切换到备用模型（若配置了 FALLBACK_MODEL_ID 环境变量）：

def retry_delay(attempt, retry_after=None):
    if retry_after:
        return retry_after
    base = min(500 * (2 ** attempt), 32000) / 1000
    return base + random.uniform(0, base * 0.25)

def with_retry(fn, state, max_retries=10):
    for attempt in range(max_retries):
        try:
            return fn()
        except (RateLimitError, OverloadedError):
            delay = retry_delay(attempt)
            time.sleep(delay)
            if is_overloaded:
                state.consecutive_529 += 1
                if state.consecutive_529 >= 3 and FALLBACK_MODEL:
                    state.current_model = FALLBACK_MODEL
    raise MaxRetriesExceeded()

退避公式：min(500 × 2^attempt, 32000) + random(0~25%)。如果服务器返回 Retry-After header，优先用那个值。

合起来跑

def agent_loop(messages, context):
    system = get_system_prompt(context)
    state = RecoveryState()
    max_tokens = 8000

    while True:
        try:
            response = with_retry(
                lambda: client.messages.create(
                    model=state.current_model, system=system,
                    messages=messages, tools=TOOLS,
                    max_tokens=max_tokens),
                state)
        except Exception as e:
            if is_prompt_too_long_error(e):
                if not state.has_attempted_reactive_compact:
                    messages[:] = reactive_compact(messages)
                    state.has_attempted_reactive_compact = True
                    continue
                return
            log_error(e)
            return

        # max_tokens check BEFORE appending to messages
        if response.stop_reason == "max_tokens":
            if not state.has_escalated:
                max_tokens = 64000
                state.has_escalated = True
                continue  # retry same request, messages unchanged
            # save truncated output + continuation prompt
            messages.append({"role": "assistant", "content": response.content})
            messages.append({"role": "user", "content": CONTINUATION_PROMPT})
            continue
        # Normal completion
        messages.append({"role": "assistant", "content": response.content})

        if response.stop_reason != "tool_use":
            return
        # ... tool execution ...

外层 try/except 捕获 API 异常（prompt_too_long 等），with_retry 处理瞬态错误（429/529），stop_reason 检查处理截断。三种恢复机制各管各的错误类型。

---

相对 s10 的变更

组件	之前 (s10)	之后 (s11)
错误处理	无（一碰就崩溃）	三种恢复模式 + 指数退避
新常量	—	ESCALATED_MAX_TOKENS=64000, MAX_RETRIES=10, BASE_DELAY_MS=500, FALLBACK_MODEL
新函数	—	with_retry, retry_delay, reactive_compact, is_prompt_too_long_error, RecoveryState
工具	bash, read_file, write_file (3)	bash, read_file, write_file (3) — 不变
循环	裸调用 LLM	try/except 包裹 + continue 重试

---

试一下

cd learn-claude-code
python s11_error_recovery/code.py

试试这些 prompt：

1. 让 Agent 生成一段很长的代码，观察截断后是否自动续写（看 [max_tokens] escalating 日志）
2. 连续读取大量文件撑大上下文，观察 reactive compact
3. 如果遇到 429/529，观察指数退避的日志输出

---

接下来

Agent 现在能在错误中自动恢复了，但仍然一次只处理一个任务：接收任务、完成任务，然后结束。

下一步要让 Agent 管理一个具备依赖关系、磁盘持久化和跨会话恢复能力的任务列表。TODO 列表无法承担任务系统的职责。

s12 Task System → 任务是有依赖、有状态、持久化的图。这是多 Agent 协作的基础。