智能体崩溃后忘光一切？他用图数据库存下执行记忆

AI智能体在规划、写代码、调用工具上越来越熟练，但有个问题一直让人头疼：它一旦忘了自己做过什么，整个任务就得从头再来。

设想一个智能体在软件项目里干活：分析源码、跑测试、撞上报错、开始修。然后进程崩了。重启之后，一连串问题冒出来——哪些任务完成了？哪些动作失败了？失败原因是什么？哪些依赖还卡着？中断的操作能不能安全重试？另一个智能体怎么接着干，而不是从零开始？

传统的对话历史或者一张简单的任务清单，回答不了这些问题。这正是 AgentTrace 想解决的事。它是一个图原生的执行记忆与协调系统，基于 FalkorDB 构建，出自 WeMakeDevs × FalkorDB Graph Hacks 2026 黑客松。

把执行状态写进图里

AgentTrace 的思路是不再完全依赖大模型的上下文窗口，而是把执行状态记录在一张持久化的图里。图里存的不只是任务，还有依赖、尝试、失败、恢复流程、决策、验证结果和检查点。

关键在于，这些关系不只是历史日志，它们直接决定智能体下一步能做什么。智能体可以查询：哪些步骤已经可以执行？是什么挡住了这个任务？之前哪次失败和现在相关？哪套已批准的恢复流程适用？进程停下之前，哪些工作已经验证过？这些问题由 FalkorDB 通过图查询来回答。

为什么是图数据库

智能体的工作流天然带着关系。一个简单的任务序列是：检查应用 → 跑测试 → 构建应用 → 检查产物。测试没过，构建就不能执行。测试失败时，一个恢复动作可能需要作为新的依赖插进来。

这些连接很重要，不该只存在于大模型生成的计划里。在 AgentTrace 中，任务通过 DEPENDS_ON 关系指向自己的前置条件，整张执行图包含十二种节点标签，成为整个系统共享的执行状态。

架构上，它由 React 仪表盘、FastAPI 后端和 FalkorDB 组合而成，四个智能体角色协同工作：

1. 规划者：生成带依赖和预期结果、经过校验的任务计划。
2. 执行者：挑选符合条件的任务，认领、运行已注册的工具，记录实际结果。
3. 验证者：独立检查任务是否达成了预期结果。
4. 恢复者：调查失败，检索图里的支撑证据，引入已批准的纠正动作。

四个角色共用同一个由图支撑的记忆管理器。一个区别很重要：工作者不能随便挑一个待办任务，它必须先查依赖图。

调度靠的是图查询。仪表盘用这些信息展示支撑某个决策的关系。这和让大模型在执行完动作之后再编一个解释不一样——证据在决策被记录的那一刻就与决策绑定了。

AgentTrace 还实现了多跳依赖影响分析，用来找出依赖某个步骤的下游任务。它能回答：这个任务失败了，还有哪些任务受影响？哪些独立任务仍能安全推进？

崩溃之后会发生什么

执行记忆系统不该依赖一个不中断的进程。AgentTrace 用持久化的图状态、执行尝试、租约和协调逻辑来支持中断后继续。

仓库里有一个真实的 worker 重启集成测试：执行并验证一个初始任务，启动另一个 worker 进程，让它认领另一个任务，然后终止该进程，等待执行租约过期，再启动新 worker，检查执行能否继续，并确认此前完成的工作没有被不必要地重复。

中断的动作和失败的动作要区分开。一次被中断的读取或测试操作，重试可能是安全的；一个结果不确定的外部动作，就未必。系统因此做的是协调，而不是盲目重放每一次被中断的工具调用。这套演示覆盖的是一个特定的受控中断点，不是所有可能的崩溃场景。

一个真实难题：持久化

开发中最有意思的问题之一是数据库耐久性。测试期间，所选用的 FalkorDB 容器镜像在重放一条涉及约束的 AOF 图效果记录时出现了段错误。这是 AgentTrace 所用固定镜像上观察到的现象，并不代表每个 FalkorDB 版本都有同样的问题。

实现随后调整为使用 RDB 快照持久化，并同步保存检查点。容器停止、重启和替换测试在持久卷配置下通过了。但代价很重要：RDB 快照不保证数据库或主机突然故障时每一次近期写入都能存活。项目明确记录了这一限制，而不是宣称完美耐久。

这段经历强化了一个教训：持久化的智能体记忆，需要考虑数据库恢复，而不只是应用层的检查点。

测试与边界

AgentTrace 在本地用真实的 FalkorDB 实例、后端测试、浏览器自动化和一次受控的端到端演示做了验证，还测试了并发任务认领、租约过期、过期结果拒绝、依赖遍历、租户隔离和图支撑的事件重放。

本地查询测量来自开发环境中的小型合成图，包含客户端和网络开销，不能当作生产规模的基准。

作者也划清了边界：这是一个可运行的黑客松实现，还不是通用生产级智能体平台。当前演示使用确定性计划，只支持一个受控恢复场景。通过 OpenAI 兼容模型端点做可选规划的能力存在，但实时模型行为没有在已发布的本地测试报告中验证。执行环境使用了受限工具，但不是为任意不可信代码准备的加固操作系统沙箱。当此前的验证结果过期时，系统也还不能自动重新验证每一个下游结果。

最核心的想法其实很简单：一个 AI 智能体不该只记得自己说过什么，它应该记得自己做过什么、实际发生了什么、为什么失败，以及是什么证据支撑它的下一步动作。