多Agent调度与失败传播#

用户请求 → Supervisor（任务分解+编排）
               │
               ├─ 任务队列（优先级+依赖）
               │    ├─ Task A (priority:HIGH, deps:[])        → Worker Pool
               │    ├─ Task B (priority:HIGH, deps:[A])       → 等 A 完成
               │    ├─ Task C (priority:MEDIUM, deps:[A])     → 等 A 完成
               │    └─ Task D (priority:LOW, deps:[B,C])      → 等 B+C 完成
               │
               └─ 调度器
                    ├─ 依赖解析：拓扑排序确定执行顺序
                    ├─ 并行度控制：无依赖任务可并行
                    ├─ 资源分配：按优先级分配 Worker/Token
                    └─ 超时管理：每个任务独立超时

max_concurrent_workers: 5        # 最多5个Worker同时执行
max_concurrent_llm_calls: 3      # 最多3个LLM并发调用（成本/限流）
per_task_timeout: 60s             # 单任务超时
global_timeout: 300s              # 全局超时

Worker 返回失败
  → 检查失败类型
    ├─ 可重试错误（429/503/timeout）→ Retry（max 3次，指数退避）
    ├─ 不可重试错误（400/参数错误）→ 检查任务关键性
    │    ├─ 关键任务 → Abort + 通知
    │    └─ 非关键任务 → Skip + 记录
    └─ 工具调用失败 → 检查是否有替代工具
         ├─ 有 → Fallback 到替代工具
         └─ 无 → 按关键性决定 Abort/Skip

问题场景：
  Worker A 超时 → Supervisor 等待 → Worker B 超时（A的结果是B的输入）
    → Worker C 超时 → ... → 全局超时 → 用户等很久才收到失败

防护措施：
  1. 每层独立超时（而非只有全局超时）
  2. 快速失败：依赖的前置任务失败→立即取消下游任务
  3. 断路器：某 Worker 连续失败N次→暂停分配任务
  4. 全局 Token 预算：总消耗接近上限→提前终止低优任务
  5. 部分结果返回：已完成的子任务结果可用→返回部分答案

{
  "task_id": "global-001",
  "subtask_id": "sub-003",
  "worker_id": "worker-B",
  "action": "tool_call",
  "tool": "database_query",
  "input": {"query": "SELECT ..."},
  "output": {"rows": 42},
  "status": "success",
  "latency_ms": 156,
  "token_usage": {"prompt": 500, "completion": 200},
  "timestamp": "2026-05-26T10:30:00Z"
}