存活检查

本条目是「Loop Engineering」的第 13 部分，对应学习清单条目 6.3.3。

前置依赖：爆炸半径、断路器 为以下铺垫：Closed Loop脚本、看门狗熔断

---

一、核心观点

存活检查（heartbeat） = 让 Loop 定时「报平安」：每次运行往状态文件写个带时间戳的心跳，长时间没更新 = 它已经死了（或卡死），该重启或告警。

就像ICU 的监护仪——没波浪线了，不是「病人很乖」，是「病人没气了」。

---

二、定义与原理

存活检查（heartbeat） 是检测 Loop 是否还「活着」的机制。它和断路器互补：断路器管「是不是在兜圈子」，存活检查管「是不是还动得了」。

• 写心跳：每步/每轮向状态文件写 {timestamp, status}，证明「我还活着」。
• 检心跳：外部 watchdog 定期检查，超过 timeout 没更新 → 判定已死。
• 恢复：重启 Loop，或通知人工介入。

graph TD
    Loop["Loop 运行中"] --> W["写心跳 heartbeat.json<br/>带时间戳"]
    Watch["外部 Watchdog 定时检"] --> C{"距上次心跳<br/>> timeout?"}
    C -->|否| OK["✅ 还活着"]
    C -->|是| Dead["💀 判定已死<br/>重启 / 告警"]

为什么必须「外部」检查：心跳由 Loop 自己写，但判死应由 Loop 之外的进程做——否则 Loop 卡死时，连心跳都不会写了，自己查自己永远「活着」（呼应 预算护栏 的「进程外强制」原则）。

---

三、实践与示例

心跳读写骨架（概念极简）：

def write_heartbeat(path="heartbeat.json"):
    json.dump({"ts": datetime.now().isoformat(), "status": "alive"},
              open(path, "w"))
 
def is_alive(path="heartbeat.json", timeout=300):
    if not os.path.exists(path): return False
    last = datetime.fromisoformat(json.load(open(path))["ts"])
    return (datetime.now() - last).seconds <= timeout

实战经验：长程 Agent「跑了一夜到早上变敷衍」是 Context Rot 的典型表现（claudelab 田野笔记：历史跨过 ~150K token 后，违反顶部约束的回复明显变多，claudelab.net）——存活检查 + 上下文压缩要配合用。

---

四、优势与局限

• ✅ 静默失败可见：Loop 卡死但不报错时，心跳是唯一会说话的哨兵。
• ✅ 可自治恢复：配合看门狗（见 15）可自动重启。
• ❌ 假活：Loop 可能「还在写心跳但已无进展」——心跳只证明在动，不证明在前进，需与无进展检测叠加。
• ❌ timeout 难定：太短误判、太长发现太晚。

---

五、最新研究与企业数据（2024–2026）

• 长程 Agent 的「清晨变傻」：claudelab (2026) 田野笔记记录，Agent 跑通宵后 commit message 变敷衍、忽略前半段指令，根因是上下文稀释而非模型变差，需靠 compaction + 心跳式健康检查（claudelab.net）。
• $47K 事故的对照：那系统「无 loop detection、无成本异常告警」——若有存活 / 循环检测，11 天里早该有人 / 有狗来拔插头（supervaize.com）。
• 关于「心跳超时阈值与误判率」的量化基准，缺少一手数据——(来源待核实：若有长程 Agent 健康检查阈值实验，此处应引用)。

---

六、学习资源

• claudelab (2026)《When a Long-Running Agent’s Context Quietly Decays》：claudelab.net
• Supervaize (2025-10) $47K 复盘
• 进阶：看门狗熔断（带熔断的 watchdog）· 断路器

---

核心要点

• 一句话：存活检查 = 让 Loop 定时报平安，静默 = 已死，该重启 / 告警。
• 分工：断路器管「兜圈子」，存活检查管「还动不动」。
• 铁律：判死要在 Loop 进程外做，否则卡死时连心跳都不写。
• 坑：假活——还在写心跳但已无进展，需叠无进展检测。

---

参考来源（一手链接 · 可溯源深挖）

• claudelab (2026)《When a Long-Running Agent’s Context Quietly Decays》：claudelab.net/en/articles/claude-ai/claude-long-running-agent-context-budget-compaction-notes
• Supervaize (2025-10) $47K Agent Loop 复盘（缺 loop detection）：supervaize.com/fr/blog/20251016-47k-agent-loop

速记卡（面试闪卡）

Q1：一句话讲清「存活检查」到底是什么？ A：存活检查 = 让 Loop 定时报平安，长时间没心跳就判定已死，该重启或告警。

Q2：一、核心观点 —— 怎么理解？ A：像 ICU 监护仪：没波浪线不是病人乖，是没气了。心跳由 Loop 自己写，但判死必须由 Loop 之外的进程做——否则卡死时连心跳都不写，自己查自己永远”活着”。

Q3：二、定义与原理 —— 怎么理解？ A：存活检查是检测 Loop 是否还”活着”的机制，和断路器互补：断路器管”是不是在兜圈子”，存活检查管”是不是还动得了”。三动作：写心跳、外部 watchdog 检心跳、恢复。

Q4：三、实践与示例 —— 怎么理解？ A：心跳就是写/读带时间戳的 json：write_heartbeat 写 ts+status，is_alive 比当前时间与上次差是否 ≤ timeout。像外卖员每步打卡，超时不打卡平台就派别人。

Q5：四、优势与局限 —— 怎么理解？ A：优势：静默失败可见、可自治恢复；局限：假活（还在写心跳但已无进展，需叠无进展检测）、timeout 难定（太短误判、太长发现太晚）。像打卡机只能证明人到，不能证明在干活。

Q6：核心速记主线有哪些？

• 定时报平安：写带时间戳心跳
• 判死必须外部进程，防自欺
• 与断路器互补：兜圈 vs 不动
• 假活陷阱；timeout 需权衡

口诀 A：Loop 定时报平安，心跳记时间； 判死靠外部，自查总谎言。 卡死无声息，哨兵先发现； 假活须叠加，超时细细辨。

相关链接

• 系列清单：Agent 方法论与产品思维学习路线图
• 上一层级：Loop Engineering · 索引
• 同系列：断路器 · 看门狗熔断 · Closed Loop 脚本