4. Runtime 工作流程

一句话理解：一个任务进入 Agent Runtime 后，会经过输入校验、规划、ReAct 循环、工具执行、状态更新、输出检查，最终返回结果并落盘 trace。

完整生命周期

阶段详解

1. 任务接收

用户提交任务：

{
  "session_id": "sess-123",
  "task": "查询 2026 年 Q1 销售额，并生成同比增长图表",
  "user_id": "u456"
}

Runtime 首先：

• 校验身份与权限。
• 生成或恢复 session_id。
• 初始化 Observer trace。

2. 输入护栏

Guardrails 检查输入：

• 是否包含敏感指令（越狱、提示注入）。
• 是否超出用户权限（例如普通用户查老板数据）。
• 是否符合内容安全策略。

被拦截的任务直接返回错误，不进入 LLM 调用。

3. 规划

Planner 把任务拆成子目标：

1. 查询数据库获取 2026 Q1 销售额
2. 查询数据库获取 2025 Q1 销售额
3. 计算同比增长率
4. 调用图表工具生成柱状图
5. 返回图表与摘要

对于简单任务，Planner 可能直接返回单个目标，由 ReAct 循环自行决定每一步 action。

4. 构建上下文

Memory 组装发送给 LLM 的消息：

system: 你是数据助手，可使用 calculator、query_db、chart 工具。
user: 查询 2026 年 Q1 销售额，并生成同比增长图表。
assistant: thought: 我需要先查询数据库...

同时附加可用工具的 JSON Schema 列表。

5. LLM 调用

Runtime 通过 LLM Client 调用模型：

response = llm.chat.completions(
    messages=messages,
    tools=tool_schemas,
)

模型返回两种结果之一：

• tool_calls：需要调用工具。
• content：直接给出最终答案。

6. 工具执行

如果模型返回 tool_calls：

1. Runtime 解析每个 tool call 的 name 和 arguments。
2. Guardrails 做前置检查（调用次数、参数合法性、权限）。
3. Executor 通过 Tool Registry 找到对应函数并调用。
4. 捕获结果或异常，作为 observation。
5. 把 observation 加入 Memory。

示例：

{
  "role": "tool",
  "tool_call_id": "call_xxx",
  "name": "query_db",
  "content": "{\"q1_2026\": 1200000, \"q1_2025\": 1000000}"
}

7. 状态更新

每轮循环结束，State Manager 更新状态：

idle → planning → acting → observing → acting → observing → done

状态会 checkpoint 到持久化存储，支持中断恢复。

8. 输出检查

当模型输出最终答案时：

• Guardrails 检查输出是否合规。
• Observer 记录 task_completed 事件。
• Runtime 返回结果给用户。

9. Trace 落盘

无论成功失败，Runtime 都会把完整 trace 写入可观测后端：

• task_id、session_id、user_id。
• 每轮 thought、action、observation。
• 工具调用耗时、token 消耗、guardrail 事件。
• 最终状态与错误信息。

异常与恢复路径

异常	处理策略
LLM 调用失败	按策略重试；fallback 到备用模型
工具参数错误	让模型重新生成；超过次数则报错
工具执行超时	返回 timeout observation；可重试或 fallback
工具执行异常	捕获异常信息作为 observation
迭代次数超限	强制终止，返回当前最佳结果
护栏触发	根据策略阻断、告警或请求 HITL
状态丢失	从最近一次 checkpoint 恢复；若运行在 durable execution 引擎上，则通过 journal 重放自动恢复，已完成的 LLM 调用与外部副作用不会重复

Subagents 与 Handoffs：循环的嵌套

2026 年的主流 SDK 把单 Agent 循环扩展成“循环套循环”：

• Handoffs：当前 Agent 把任务整体移交给另一个 Agent（OpenAI Agents SDK 的 handoff、ADK 的 agent transfer），移交本身是主循环里的一个特殊 tool call。
• Subagents：父 Agent 派生若干子 Agent 并行执行，子 Agent 拥有隔离的上下文窗口，完成后把摘要回注给父 Agent（OpenAI Agents SDK 2026-04 加入 subagents；Claude Agent SDK 的 subagent 不允许再嵌套委派）。

2026-07→10 的增量让这一层快速成熟：

• 并行 subagents 成为托管原语：OpenAI Agents API（2026-09-10 public beta）把“tool search + 并行 subagents”作为服务端能力——工具太多时不再全量塞进上下文，而是按需检索相关工具定义再派生子 Agent。
• Subagent 回注的注入防御：Claude Code v2.1.278（2026-09-18）起，subagent 结果以带标记的 header 回注主 Agent，避免子任务输出被当作会话指令执行；同时移除了旧的 TaskOutput 工具。
• fork subagents 默认化：Claude Code 在 2026-09/10 把 subagent_type: "fork" 设为 claude -p、SDK、桌面端与 VS Code 的默认，并为 subagent frontmatter 增加 autoCompactWindow，让长时子任务自己管理压缩窗口；subagent 发起的后台命令不再有一小时时限。
• Multi-phase workflows：Claude Managed Agents 的 dynamic workflows beta（2026-10-09）让 Agent 自主决定发起多阶段 workflow run（workflow_run.created/phase_started/status_ended 事件流），单 run 上限 64 并发线程、1,000 agents、24 小时。
• 开源参照：xAI 于 2026-07 开源 Grok Build harness（约 132 万行 Rust，走 ACP 协议），其 leader-follower subagents + 自动压缩的实现成为自研 Runtime 的重要参照。

对 Runtime 而言，两者都只是“一个可暂停、可观测、可恢复的子任务”，状态机与 trace 模型不变。

上下文压缩（Compaction）：循环的内生阶段

2026 年的共识是：compaction 不是“跑不下去了再补救”，而是主循环里与 planning/acting 平权的一个阶段：

... → acting → observing → [接近上下文上限?] → compact（摘要早期消息）→ acting → ...

落地要点：

• 触发时机：按 token 阈值自动触发（Agents SDK 的 session compaction、Claude Code 的空闲会话压缩），或在阶段边界主动触发。
• 安全护栏：有待审批的 HITL 请求时推迟压缩（Agents SDK v0.24.0，2026-10-15）；PreCompact hook 可阻断压缩并要求追加保留内容（Claude Code v2.1.x）。
• 可观测：压缩本身产生 trace event（压缩掉了多少消息、摘要内容、触发原因），否则恢复与调试时上下文对不上。
• 子任务自治：长时 subagent 应有自己的压缩窗口（autoCompactWindow），父 Agent 与子 Agent 的生命周期要分开管理，避免压缩打断父子通信。

人机协同（HITL）

高风险工具（如写文件、转账、删除数据）在执行前可以暂停并请求人类确认：

HITL 是 Runtime 从 Demo 走向生产的关键能力。

本章小结

Agent Runtime 的工作流程是“输入校验 → 规划 → 循环推理 → 工具执行 → 状态更新 → 输出检查 → trace 落盘”。每一环都有明确的异常处理与恢复策略。人机协同则让 Runtime 在高风险场景下安全可控。

参考来源

• ReAct Paper
• OpenAI Agents SDK — Tracing
• OpenAI Agents SDK 2026: Sandbox Agents, Harness Architecture, Any LLM
• LangGraph Human-in-the-loop
• OpenAI Agents SDK Changelog（v0.19–v0.24）
• Claude Code Releases（v2.1.278 subagent 回注防御等）
• Claude Managed Agents dynamic workflows (beta), 2026-10-09
• Grok Build Open Source: xAI Agent Harness Architecture