让 Agent 连续运行一天,真正棘手的时刻往往只有一瞬间:外部操作已经成功,记录结果之前,进程死了。
重启后再做一次,可能重复发送;不做,又可能漏掉任务。模型再聪明,也不能凭空知道崩溃窗口里发生了什么。
InfoQ 的这篇访谈整理把 Pi Durable、MCP、Code Mode 和 AI 编程的争议放在一起。我的提炼是:可靠 Agent 的关键,是把哪些事交给程序保证、哪些事留给模型判断,分清楚。
| 要管住的边界 | 负责什么 | 缺了会怎样 |
|---|---|---|
| 恢复 | 记录做到哪一步,判定能否重跑 | 重复操作,或者任务无声丢失 |
| 上下文 | 决定哪些资料进入模型 | 中间数据挤占判断空间 |
| 验收 | 独立检查目标是否实现 | Agent 一直修改,却不知道何时算完成 |
这篇新增的证据是两项小实验:真实退出进程,观察不同恢复策略;生成固定数据,测量过滤前后的返回体大小。它们用于检验机制,不是 Pi 的性能或正确性基准。
名词速查
读下文需要五个概念,先用人话接住:
| 词 | 一句话解释 |
|---|---|
| Harness | 包裹模型的运行程序,管理对话、工具和任务;可接着读这篇基础文章 |
| 持久执行 | 把进度放到进程之外,重启时还能找到未完成工作 |
| 副作用 | 操作改变了外部世界,例如发送消息、改文件、启动任务 |
| 幂等键 | 同一业务操作重试时沿用同一个编号,由接收方识别并去重 |
| Oracle | 能独立判定结果对错的依据,例如参考实现、业务规则或测试 |
MCP 是模型连接外部工具的协议。Code Mode 则让模型写程序,把多个工具调用组合起来。一个解决连接,一个解决编排,两者可以一起使用。
先把报道追到原始资料
来源链是:InfoQ 编译 → 0xSero 的原始访谈视频 → Pi 官方资料与 Armin 的设计说明。视频页面已核到同名访谈,但没有可用字幕,下面不把中文译文当作逐字核对过的原话。
有两处事实值得校准。
Pi 的 v1.0.0 更新记录标注发布日期为 2026-10-01。因此不能把 10 月 14 日的报道日期当作发布日。记录还显示,0.99.2 已调整 MCP 的按需工具发现方式,1.0 继续精简 Code Mode 提示信息。这是持续演进,不能压成“突然加入所有能力”。
另外,同一版本的 Pi Durable README开头明确标为实验性,API 可能变化。Pi CLI 到了 1.0,不意味着 Durable 已有稳定接口承诺。
最值得追的设计原文是 Armin 的 What is Codemode。它解释了为何 Bash 之外还需要编排层,也明确承认 Code Mode 的持久恢复仍然更难。这一点给“新能力已经齐活”的叙事划了边界。
持久执行最难的地方:成功了,却来不及记下来
想象一次发送操作:先记下准备发送,再请求外部系统,最后记录发送结果。
flowchart LR
A[保存操作意图] --> B[执行外部操作]
B --> C[保存操作结果]
B --> D[进程崩溃]
D --> E[重启后只看见意图]
E --> F[查询外部状态或按规则恢复]
在第一步之前崩溃,没有已执行操作;最后一步之后崩溃,可以读取结果。困难集中在中间:本地记录相同,外部世界却可能不同。 请求可能没送达,也可能已经成功。
我的理解是,持久执行之所以需要保存意图并规定重放语义,是因为本地提交与外部副作用通常不能共享一次原子提交。如果二者真能一并成功、一并失败,这个不确定窗口就消失了。
这是数据库恢复与分布式重试的老问题,在 Agent 里再次出现。保存对话解决“记得说过什么”;保存任务状态解决“记得做到哪里”。它们都无法独自保证外部动作只发生一次。
我让进程在四个位置真的退出
我用 Python 标准库搭了一个最小模型:local 表代表本地进度,remote 表代表外部已执行动作。两者虽放在同一个 SQLite 文件里,分别提交,故意保留真实系统常见的非原子窗口。
子进程通过 os._exit(9)直接退出,再启动新进程恢复。三种策略分别是:无条件重试、已有意图就停止、由接收方按固定业务键去重。
将下面代码保存为 recovery_probe.py,运行 python3 recovery_probe.py。无需账号或额外依赖;主要观察外部动作次数和本地终态。
import os, sqlite3, tempfile, multiprocessing as mp
from pathlib import Path
def run(db, policy, cut):
c = sqlite3.connect(db)
state = c.execute('select value from local').fetchone()[0]
if state == 'done': return
if state == 'intent' and policy == 'stop': return
if cut == 'before-intent': os._exit(9)
c.execute("update local set value='intent'"); c.commit()
if cut == 'after-intent': os._exit(9)
if policy == 'key':
c.execute("insert or ignore into remote values ('job-1')")
else:
c.execute("insert into remote values (NULL)")
c.commit()
if cut == 'after-effect': os._exit(9)
c.execute("update local set value='done'"); c.commit()
if cut == 'after-result': os._exit(9)
if __name__ == '__main__':
ctx = mp.get_context('spawn')
with tempfile.TemporaryDirectory() as folder:
for policy in ['retry', 'stop', 'key']:
for cut in ['before-intent','after-intent','after-effect','after-result']:
db = str(Path(folder) / (policy + cut + '.sqlite'))
with sqlite3.connect(db) as c:
c.executescript("create table local(value); insert into local values('new'); create table remote(key text unique);")
p = ctx.Process(target=run,args=(db,policy,cut)); p.start(); p.join()
assert p.exitcode == 9
p = ctx.Process(target=run,args=(db,policy,None)); p.start(); p.join()
assert p.exitcode == 0
with sqlite3.connect(db) as c:
n=c.execute('select count(*) from remote').fetchone()[0]
state=c.execute('select value from local').fetchone()[0]
print(policy,cut,n,state)
实际输出如下;原始输出逐行计数为 12 行,对应三种策略乘四个退出位置:
retry before-intent 1 done
retry after-intent 1 done
retry after-effect 2 done
retry after-result 1 done
stop before-intent 1 done
stop after-intent 0 intent
stop after-effect 1 intent
stop after-result 1 done
key before-intent 1 done
key after-intent 1 done
key after-effect 1 done
key after-result 1 done
retry 是重试,stop 是保守停止,key 是接收方去重。每行最后两列是实际动作次数与本地状态;intent 表示只有意图,done 表示结果已保存。
最关键的是这三行:
| 策略与崩溃位置 | 实测结果 | 说明 |
|---|---|---|
| 重试,动作已执行但结果未保存 | 2 次,完成 | 恢复成功的表象掩盖了重复动作 |
| 停止,意图已保存但动作尚未执行 | 0 次,停留在意图 | 防重换来了未完成任务 |
| 固定键去重,动作后崩溃 | 1 次,完成 | 接收方识别同一操作,允许安全重试 |
我最在意的是第二行:为了防止重复而停止,同样会失去自动完成能力。“别重复”与“别漏掉”需要外部协议协助,单靠本地日志无法同时保证。
固定键在这个模型中有效,是因为数据库唯一约束替接收方落实了去重。实际接入还要检查键的有效期、作用范围,以及同键不同参数是否报错;不能把随机生成一个 ID 当作已经实现幂等。
Pi Durable 的官方工具规则正好体现了这种克制:中断调用仅在声明 replay: "safe" 时重跑,否则返回 interrupted 错误及已提交输出。规则见 Tools 一节。这里的 safe 是开发者对可重放性的承诺,框架不会替你证明它。
所以,做工具适配时要回答三个具体问题:操作是否只读?若会写入,接收方能否按业务键去重?若无法确认结果,任务是否进入可查询、可人工处理的状态?
这也补充了任务中断与恢复的旧文:恢复对话之后,还需要恢复外部世界的事实。
Code Mode 省下的是哪些数据必须经过模型
从工具获取一批记录,过滤、排序、去重,再交给模型解释。前三步若都经过模型,就把机械处理也变成了昂贵的阅读任务。
Armin 的原文给出的关键区分是:Bash 运行在工具执行环境,Code Mode 编排发生在 Harness 一侧。Pi 用 QuickJS/WASM 限制脚本自身的直接能力,脚本通过注入的工具与模型接口工作。它还能组合图像、分类等 Harness 内部能力。设计说明
我把这种安排理解为:数据库已经能筛选的记录,不必先搬到会议室,让决策者逐条筛。 它和数据库“尽早过滤”的想法属于同一类优化:把机械工作放在便宜、确定的执行层。
一次可复制的返回体实验
下面生成固定的模拟记录,每条带一段正文,每隔 40 条标记一条紧急记录。筛选条件已经存在于结构化字段,完全不需要模型理解语义。
import json
rows = [dict(id=i, body='x'*1000, urgent=(i % 40 == 0))
for i in range(200)]
kept = [dict(id=r['id'], urgent=r['urgent'])
for r in rows if r['urgent']]
size = lambda x: len(json.dumps(x, separators=(',', ':')).encode())
print('rows=', len(rows), 'kept=', len(kept),
'raw_bytes=', size(rows), 'selected_bytes=', size(kept))
print('ids=', [r['id'] for r in kept])
print('reduction_percent=', round(100*(1-size(kept)/size(rows)), 4))
保存为 filter_probe.py,运行 python3 filter_probe.py,本次实测输出:
rows= 200 kept= 5 raw_bytes= 207086 selected_bytes= 122
ids= [0, 40, 80, 120, 160]
reduction_percent= 99.9411
这是 JSON 返回体字节数,不是 token、延迟或账单的测量。因为模拟正文有大量重复字符,也不能外推真实文本的压缩比。它证明的是一件更窄的事:对于只问“哪些记录紧急”的任务,把整段正文送回去没有必要。
若任务变成“判断用户为什么生气”,删掉正文就会删掉证据。此时应先抽样确认字段,再保留候选记录的来源 ID、必要原文、错误项和进一步读取方式。省上下文应当服务判断,不能靠让模型失明来省钱。
Code Mode 的新增成本也在这里:主模型看不到全部中间数据,脚本可能漏项。于是返回值应包含处理总数、成功数、失败项和筛选规则。否则“汇总得很漂亮”与“悄悄丢了一半数据”很难区分。
这一机制早于 Pi 本次更新:Cloudflare 在 2025 年介绍过 Code Mode,Anthropic 同年讨论了 MCP 的代码执行方式。本站的推理转程序文章也沿着这条线讨论过卸载机械工作。
脚本失败,不会撤销已经发生的动作
把十个操作写进一个脚本,不等于给它们包了一次事务。假如前面已经发送消息,后面 JSON 解析失败,重跑整个脚本仍可能再次发送。
因此,Code Mode 的工具编排和 Durable 的恢复不能直接画等号。Armin 在原文结尾也指出,Code Mode 的持久性更棘手,可能需要调用快照或更确定的编排语言。这是作者明确列出的开放问题。原文结尾
同样,沙箱约束的是脚本直接能力。若注入了具有广泛权限的工具,调用它仍可改变外部系统。权限要落在工具和执行环境上。
Oracle 决定能放手到哪一层
访谈里最有用的经验,是有明确判据的任务更容易交给 Agent 反复改进。至于“模型学不会架构”,我把它视为受访者的判断;本文没有实验能够证明这个普遍结论。
更可操作的解释是:架构好坏常常要经过后续修改、性能压力和维护才能显现,反馈来得慢。局部 bug 修复则容易拿到立即通过的测试。若只奖励眼前测试通过,新增一个补丁可能比删除错误抽象更容易。
我的建议是把验收拆到三层,尤其在准备长时间自动运行时:
| 判据 | 具体检查 | 只检查上一层会漏什么 |
|---|---|---|
| 行为 | 给定输入,结果是否符合业务规则 | 能运行但答案错 |
| 运行 | 超时、资源消耗、崩溃恢复是否达标 | 答案正确但撑不住实际负载 |
| 结构 | 接口是否重复、依赖是否越界、是否可以删除旧路径 | 每次修复都增加另一套特例 |
“测试全绿”只对测试实际覆盖的目标成立。让 Agent 同时修改实现和验收规则,还需要独立的参考样例或审查,防止它把尺子一起改短。
结构判据也不应简化成“新增代码越少越好”。支持一种新业务确实可能需要新代码。需要审查的是:这次修改能否统一旧路径?是否制造第二套状态来源?删除这个补丁会不会暴露一个更早的错误假设?
这才把架构争论变成可审查的问题。关于独立判据的落地,可接着读交付门禁与 Oracle。
小结:下一次让 Agent 跑长任务之前
先花五分钟选出一个会写入外部系统的工具,写清它崩溃后如何确认结果、能否沿用同一个业务键重试。
再检查批量查询返回值:它是否保留来源、失败项和继续读取的入口,而非只留下漂亮摘要。
最后固定一个独立验收样例,让 Agent 无法靠修改判据宣布完成。跑得久,需要记清进度;做得对,需要有人或程序能判定结果。
参考来源
- 报道入口:InfoQ 微信文章。本文据此选题,另行溯源与实验,未转载访谈全文。
- 原始访谈:0xSero — Pi Durable: Agents That Survive Crashes。页面核到,字幕不可用;访谈观点通过 InfoQ 编译理解。
- 工程资料:Pi v1.0.0 更新记录、Pi Durable v1.0.0 README、Armin 的 What is Codemode。
- 机制背景:Cloudflare — Code Mode、Anthropic — Code execution with MCP。