Une panne ne signifie pas toujours que l’action n’a pas eu lieu
Un agent d’IA peut être interrompu après avoir envoyé une requête à un outil, mais avant d’enregistrer la réponse. Entre-temps, le système externe a peut-être créé un ticket, envoyé un message ou modifié un enregistrement. La perte de la réponse ne prouve pas que l’effet a échoué. Si l’agent redémarré répète l’action sans la vérifier, il risque de dupliquer la modification.
Il est donc utile de distinguer l’état du processus de celui de l’opération externe. Une erreur d’infrastructure peut interrompre la communication ; une erreur de logique peut entraîner une décision inadaptée ; un outil peut rejeter une entrée ou répondre tardivement. Ce sont des causes différentes, qui ne justifient pas automatiquement la même stratégie de récupération.
L’historique de conversation et les journaux d’exécution aident à reconstituer les événements, mais ne prouvent pas nécessairement que le système cible a appliqué — ou non — une modification. L’identifiant d’opération renvoyé par ce système, une requête d’état fiable ou un reçu conservé durablement fournissent une meilleure base pour décider de la suite.
Une exécution durable conserve hors du processus l’intention, les étapes confirmées et les résultats nécessaires à la reprise du flux. Si le processus s’arrête, un nouveau worker peut repartir du dernier point de contrôle confirmé au lieu de demander au modèle de choisir à nouveau un plan. Reprendre consiste à poursuivre à partir d’un état connu ; réessayer consiste à tenter de nouveau une opération précise.
Quel état conserver et comment le classifier
Enregistrez les informations nécessaires pour récupérer l’exécution sans dépendre de la mémoire temporaire du worker. Au minimum, conservez l’identifiant d’exécution, la version du flux, la décision à l’origine de l’appel, ses arguments normalisés, l’identité stable de l’opération et le résultat ou le reçu du fournisseur. Si le système externe renvoie un identifiant, conservez-le également.
La décision du modèle doit être persistée avant l’exécution de l’outil. Ensuite, chaque résultat doit être enregistré avant le début de l’étape suivante. Au redémarrage, le système n’a ainsi pas besoin de générer à nouveau le plan et peut distinguer un appel en attente d’une opération confirmée. Un point de contrôle enregistre un état durable ; il ne garantit pas qu’une API externe a appliqué ses modifications de manière atomique.
L’état `unknown` est utile lorsqu’une réponse a été perdue ou que le processus s’est arrêté entre l’effet externe et son enregistrement local. Il n’équivaut pas à `failed` : il indique que l’on ne sait pas encore ce qui s’est passé. Une requête au fournisseur peut permettre de le classer comme confirmé ou échoué. Si aucune requête fiable n’existe et que répéter comporte un risque, l’opération doit rester en attente de réconciliation.
La compatibilité compte également. Un ancien point de contrôle peut devenir inutilisable si la définition des outils ou les règles du flux changent. Associez chaque exécution à une version compatible et rejetez les écritures tardives au moyen d’un contrôle de concurrence. Lorsque plusieurs workers peuvent intervenir simultanément, un lease assorti d’un mécanisme de fencing peut aider à empêcher deux processus de faire avancer le même état, à condition que le stockage le prenne correctement en charge.
États utiles pour la récupération
| État observé | Conclusion possible | Étape suivante |
|---|---|---|
| L’outil n’a pas encore été appelé | Rien n’indique que l’effet a été demandé | Envoyer l’opération avec l’identité déjà persistée |
| La requête a été envoyée, mais aucune réponse n’est arrivée | L’effet a peut-être eu lieu | Interroger la cible ou rechercher le reçu |
| L’effet externe a eu lieu, mais le point de contrôle local manque | Le journal n’est pas à jour | Réconcilier avec la même clé et enregistrer le résultat récupéré |
| Le reçu est persisté | L’étape est confirmée dans le journal | Réutiliser ce résultat et poursuivre |
| Aucune requête fiable n’existe et répéter pourrait causer un dommage | Le résultat n’est pas résolu | Marquer l’état comme inconnu et suspendre l’exécution pour examen |
Des tentatives limitées et assorties de conditions claires
Une nouvelle tentative est raisonnable lorsque la panne semble temporaire et que répéter l’opération est sans danger. Un service occupé ou une interruption survenue avant l’envoi de la requête peut autoriser une nouvelle tentative ; un refus d’autorisation, des arguments invalides ou un conflit de clé exigent généralement de corriger la cause plutôt que d’insister. Classez l’erreur avant d’appliquer une politique de nouvelle tentative.
Le backoff exponentiel augmente le délai entre les tentatives successives et peut inclure une part aléatoire, appelée jitter, afin d’éviter que de nombreux workers rappellent le même service au même moment. Cette technique régule le moment des nouvelles tentatives ; elle ne garantit ni la disponibilité du service ni la justesse de l’action. Définissez un nombre maximal de tentatives et une durée totale limite, puis consignez la raison de chaque attente.
Une clé d’idempotence stable relie les répétitions d’une même intention lorsque le fournisseur reconnaît cette clé et applique le contrat correspondant. La clé doit rester la même entre les tentatives d’une opération donnée. En générer une nouvelle après un délai d’attente expiré peut transformer une répétition en seconde opération. Si les arguments changent, ne réutilisez pas silencieusement une clé associée à un autre contenu.
Si le fournisseur ne propose pas d’idempotence, recherchez une requête d’état ou une référence métier permettant de réconcilier le résultat. Si aucune option n’est fiable, il peut être plus sûr de s’arrêter que de réessayer. Un appel répété à un outil de lecture et un appel répété qui envoie de l’argent, un courriel ou une modification de droits ne présentent pas le même risque.
Décider avant de réessayer
| Situation | Décision prudente | Condition |
|---|---|---|
| Panne temporaire avant l’envoi | Réessayer après un délai limité | L’opération n’a pas encore été demandée |
| Délai d’attente expiré après l’envoi d’une écriture | Réconcilier avant de réessayer | Interroger la clé ou l’état de la cible |
| Entrée invalide ou autorisation refusée | S’arrêter et corriger la cause | Ne pas essayer de résoudre le problème en augmentant le nombre de tentatives |
| Même intention et fournisseur compatible avec l’idempotence | Réessayer avec la même clé | Vérifier la portée temporelle et la sémantique du fournisseur |
| Résultat inconnu et effet à haut risque | Suspendre et faire remonter le cas | Aucune vérification fiable n’est disponible |
Effets externes : l’idempotence n’est pas un rollback
L’idempotence et le rollback répondent à des problèmes différents. L’idempotence vise à empêcher que plusieurs tentatives d’une même opération entraînent des effets métier dupliqués, si l’exécuteur et le fournisseur respectent ce contrat. Le rollback vise à annuler un effet déjà appliqué. Répéter une opération de manière idempotente n’annule pas une modification.
Toutes les actions ne sont pas non plus réversibles. Une réservation peut être libérée ; un paiement peut nécessiter un remboursement distinct ; un courriel déjà envoyé ne peut pas être retiré de la boîte de réception de son destinataire. Dans de nombreux cas, la solution consiste en une action compensatoire explicite : c’est une nouvelle opération, qui peut échouer ou nécessiter une approbation.
Avant d’automatiser une écriture, identifiez son effet, la manière de le vérifier et la compensation éventuelle. Si l’action ne peut pas être annulée de façon fiable, limitez sa portée, exigez une approbation si nécessaire ou interrompez le flux en cas d’ambiguïté. Ne présentez pas une restauration complète des données comme un rollback sélectif : la restauration d’une sauvegarde peut également toucher des modifications légitimes effectuées depuis.
Un test local peut simuler une interruption entre l’exécution d’un effet et l’enregistrement du reçu. Cette simulation permet de vérifier que le runtime reprend le plan et interroge le registre externe avant de dupliquer l’opération. À elle seule, elle ne démontre pas qu’un fournisseur réel propose l’idempotence, qu’il existe une atomicité distribuée ou que deux workers concurrents sont coordonnés.
Faire intervenir une personne avec un contexte utile
Une escalade humaine ne devrait pas se limiter au transfert d’une exception sans explication. La personne qui reçoit le cas doit savoir ce qui a été tenté, quel résultat a été confirmé, ce qui reste inconnu et quel risque présente la poursuite de l’opération. Fournissez l’état récupérable et la décision en attente, pas seulement le texte de l’utilisateur.
Un dossier de transfert pratique peut inclure l’identifiant d’exécution, l’étape interrompue, l’outil et sa version, les tentatives effectuées, l’erreur classée, la clé d’opération, les reçus disponibles et les requêtes de réconciliation déjà lancées. Ajoutez les approbations en vigueur ainsi que les éventuelles conditions de sécurité ou de budget susceptibles d’empêcher la reprise.
Masquez les arguments sensibles et limitez l’accès aux journaux conformément aux règles applicables. L’agent doit formuler précisément l’incertitude, par exemple : « La demande a été envoyée, mais le résultat n’est pas confirmé. » Il ne doit pas affirmer que la modification a eu lieu — ou qu’elle n’a pas eu lieu — si l’état reste indéterminé.
La personne chargée de l’examen doit disposer d’une action claire : interroger le système cible, autoriser une compensation, corriger l’entrée ou clôturer le cas. Si elle décide de réessayer, enregistrez qui a pris cette décision, sur quelle base et avec quelle clé. Vous conservez ainsi la traçabilité sans confier au modèle le pouvoir de trancher une opération à risque.
Transfert d’une exécution incertaine
Utilisez le même contexte pour que l’équipe puisse examiner le cas et décider sans devoir reconstituer l’historique à partir de zéro.
- 01Identifiez l’exécution, l’étape et la version du flux.
- 02Résumez ce qui a été envoyé, le nombre de tentatives et la réponse de l’outil.
- 03Séparez les résultats confirmés des états inconnus.
- 04Indiquez quelle requête ou approbation manque et quels effets une nouvelle tentative pourrait produire.
- 05Consignez la décision humaine et ne rendez le contrôle au flux qu’une fois l’état résolu.
Observabilité et tests de récupération
L’observabilité doit permettre de reconstituer une exécution et de distinguer les pannes de modèle, d’outil et d’infrastructure. Enregistrez les transitions d’état, le début et le résultat de chaque appel, la latence, les erreurs classées, les nouvelles tentatives, les points de contrôle et les escalades. Reliez ces événements à un identifiant d’exécution et à la version du flux, sans conserver indistinctement des données sensibles.
Aucune métrique universelle ne résume à elle seule la résilience de tous les agents. Une équipe peut observer le nombre d’exécutions récupérées, le délai de résolution des états inconnus, le nombre de cas nécessitant une intervention et les effets dupliqués détectés. Définissez chaque indicateur avec son dénominateur et sa période ; un taux de récupération sans ces précisions peut être difficile à interpréter.
Testez les scénarios de panne, pas seulement la sortie finale du modèle. Simulez une interruption avant l’envoi, une réponse perdue après l’acceptation, une erreur temporaire, la réutilisation d’une clé avec des arguments différents et deux workers en concurrence sur la même exécution. Vérifiez qu’une étape confirmée n’est pas répétée et qu’un état inconnu n’est pas présenté comme un succès ou un échec confirmé.
Des tests reposant sur des fichiers locaux ou de faux fournisseurs vérifient les décisions du code dans les conditions simulées. Ils ne valident pas automatiquement la sémantique d’un fournisseur en production, la durabilité de la base de données ou l’efficacité d’un mécanisme de coordination distribuée. Vérifiez les garanties pertinentes dans la documentation du service et testez la configuration que l’agent utilisera réellement.
Signaux à surveiller pour chaque exécution
| Signal | Question à laquelle il aide à répondre |
|---|---|
| Transitions d’état | À quelle étape l’exécution s’est-elle interrompue et quel est le dernier point de contrôle confirmé ? |
| Erreur et outil | S’agissait-il d’un refus, d’une indisponibilité, d’un délai d’attente expiré ou d’une erreur de logique ? |
| Tentatives et délais | Combien de fois l’opération a-t-elle été répétée et avec quelles limites ? |
| Reçu ou identifiant externe | L’effet peut-il être vérifié dans le système cible ? |
| État inconnu et escalade | Combien de temps la réconciliation a-t-elle pris et qui a résolu le cas ? |
| Version du flux | Le point de contrôle est-il compatible avec le code qui le récupère ? |
Un protocole de récupération applicable
Un protocole clair ordonne la récupération : chargez le dernier point de contrôle confirmé, vérifiez la compatibilité de la version, identifiez l’opération interrompue et classez son résultat. Si la demande n’a pas encore été envoyée, elle peut être exécutée avec l’identité persistée. Si elle a été envoyée sans réponse, interrogez la cible ou recherchez le reçu avant de décider. Si l’opération est confirmée, enregistrez ce résultat et poursuivez à l’étape suivante.
La politique doit préciser quand une nouvelle tentative est autorisée, quelles en sont les limites et quelles erreurs imposent l’arrêt. Elle doit également définir qui peut résoudre un état inconnu et dans quels cas une approbation supplémentaire est nécessaire. Une règle d’arrêt explicite protège contre les boucles et empêche le modèle de transformer une absence de réponse en autorisation de réessayer.
Testez le protocole avec un dispositif contrôlé avant de le connecter à des actions réelles. Validez ensuite séparément le comportement du fournisseur, les conditions de concurrence, la conservation des points de contrôle et les procédures d’escalade. Un moteur d’exécution durable peut prendre en charge une partie du journal et du rejeu, mais il ne rend pas automatiquement une API externe atomique ou « exactement une fois ».
Une récupération fiable ne signifie pas que toute panne peut être réparée automatiquement. Elle signifie que le système conserve ce qui est confirmé, représente honnêtement ce qui est inconnu et limite l’étape suivante à ce qu’il peut justifier. Lorsqu’il n’existe aucun moyen fiable de connaître l’effet et que répéter pourrait causer un dommage, la suspension et la réconciliation font partie du bon fonctionnement.
Poursuivre l’exploration
Sources consultées
Corrections et transparence
Si vous repérez une information incorrecte ou obsolète, envoyez-nous la page et la source à vérifier.
Proposer une correction