Agent-System-Documents/docs/proposals/2026-10-07-agent-stack-n3-plan.md

# 方案：N3 持久与可观测——现状核验与增量实施

日期：2026-10-07。上游：[2026-10-02-agent-stack-completion.md](2026-10-02-agent-stack-completion.md)「N3 持久与可观测」节（范围与三条验收的唯一权威）、[2026-10-02-agent-stack-audit.md](../records/2026-10-02-agent-stack-audit.md)（审计项逐条对当前代码复核后引用）。

基线 pin：agent-native `74aa60b`、backend `7980a8a`、agent-squad `6306451`、core `0b5c774`（均为已合入 main）。本文所有 file:line 以这些 SHA 为准；实施时先复核再引用。

依赖状态：N1/Q1/I1/I2/N2 全部闭卡（任务卡归档）。总提案依赖序「N3 在 N2 之后」满足，N3 开工。

## 一、现状核验（五路侦察 + 关键处亲验）

### 1. RunState 可恢复（验收①）

已就位（库层、native 适配路径）：

- **意图日志**：`runOne` 先 `commitToolIntent`（记 CallID/参数/Replay 声明）再执行（runtime/loop.go:649-654,738-749；session/intent.go:9-25）；执行失败于写意图即产 IsError 配对。
- **恢复配对**：`recoverPending`（loop.go:707-736）对未配对意图——存储声明与注册表现行声明**双 safe 才重放**（completion doc row 75 的不变式），否则补「副作用未知，未重试」IsError 配对。任一情形配对不变式都成立。
- **预算停配对**：`appendSkippedToolResults`（loop.go:452-469，N1 已修，回归 loop_budget_test.go:78）。
- **毒化轮转**：`rotateIfPoisoned` + `.native-last-failure` 落盘（adapters/native/backend.go:529-593，N21 已修，跨进程回归 r2_regression_test.go:19）。
- 回归测试：durable_test.go 四组（safe 重放一次/unsafe 不重放/存储 safe+现行 never 不重放/follow-up 持久序）。

仍开放：

- **崩溃窗口无保护**：`persist(assistant)`（loop.go:265）→ 首个 `commitToolIntent`（loop.go:650）之间被杀，转录留下带 tool_calls 的 assistant 且零意图；`recoverPending` 无计可施，新 user 消息追加在孤立尾巴后，下一个请求被提供方拒绝。**无任何与意图无关的尾部配对兜底**。
- **产品会话路径零持久**：`llm_direct.go:172-193` 调 `nruntime.Run` 不传 `Session`——意图日志/恢复配对在产品会话 run 上全部不生效；中断后部分 parts 只存内存，seal 即丢。**这是验收① 对产品的真缺口。**
- 无 mid-turn RunState 类型（turn 序号/在途调用/累计用量）；`runtime/checkpoint` 是文件回滚日志，不是循环状态（checkpoint.go:13-22）。
- 无「杀进程中途」测试：现有 durable 测试手喂意图，没有覆盖 persist→intent 窗口。
- **N6 残余**：`Stop.Replacement` 仍把内存 assistant 改为替换文（loop.go:339-347），磁盘上 assistant 是原文——内存/转录分叉跨重启可见（追加的 user 替换消息只缓解了「模型能看到」）。
- **子代理优雅停机不续跑**：`InterruptRunning` 对所有子 run 写 `done.json{status:"interrupted"}`（runmgr.go:1658），而 `ResumeInterruptedChildren` 遇 done.json 即跳过（subagent_transcript.go:119）——WP5 续跑只对 SIGKILL 式死亡生效，优雅停机语义上反而不续。

### 2. 文件检查点可回滚（验收②）

已就位：

- 库 checkpoint 包：append-only JSONL（Record{Seq,Anchor,Root,Path,Existed,Before,After}）、`Plan/Rewind`、内容漂移跳过（stateRestore/Already/Skip，checkpoint.go:194-229）、包注释与结构双重保证「shell/python 不追踪」。
- write/edit/multi_edit 三工具经 `WorkspaceToolsCheckpointed` 挂 mark（registry.go:370-394；builtin.go:111-117,153-168,333-353）。
- backend rewind：每会话 `.agentx/checkpoints.jsonl`（rewind.go:12-17）、anchor=用户消息 ID、HTTP 两路由（server.go:169-170）、regenerate 复用（borrow.go:218）、忙时 409。
- ZCode 边界全符合：只动文件不回滚历史（追加 system 消息而非删除）、不透明续跑（regenerate 显式起新 run）。
- 测试：checkpoint_test.go 两组、checkpoint_hook_test.go、rewind_test.go（backend 端到端）。

仍开放（收口项，无根缺）：

- 回滚资格**隐式**（struct 有 mark 字段即入集）：无导出断言/注册表查询，未来工具可静默入集或出集。
- `restore` 用 `os.WriteFile` 跟随符号链接（checkpoint.go:241）——fs_write_file 有符号链接防护（fs.go:142-146），回滚路径没有。
- `Rewind` 顺序恢复、首错即返（checkpoint.go:108）：中途失败留下部分恢复，且部分态不进 Result。
- 无保留策略：`Record` 每次全读算 Seq（checkpoint.go:57-62），日志无界增长。
- HTTP 层无测试；root 移动、空 `ordered` 边界（selected() checkpoint.go:146）未测。
- backend 自家工具面只有 `fs_write_file` 挂检查点（tools/fs.go:158-162），无 fs_edit/fs_multi_edit（产品面不暴露编辑工具）——验收② 的 write/edit/multi_edit 语义在库与适配层成立，验收测试按层分配（见 WP3）。

### 3. Memory 端口

已就位（全是产品侧资产）：`memory_entries` 表（migrate v13）+ `PutMemory/ListMemory`（platform.go:137,157，仅 INSERT、无 scope 过滤无语义排序）；HTTP 手工面（server.go:245-246）；被动 recall（runmgr.go:409-426 全量过期过滤 + ctxasm.InjectMemory ≤20 条注入系统消息）；`session_note`、plans/todos；预置 prompts（aux-session-memory.md、agent-memory-extractor.md，**无消费者**）；`AgentSpec.MemoryScope` 已解析（agentspec.go:26,152-153）**零消费**。

仍开放：库内零 memory 面（端口不存在）；无写回路径（模型不可自服务，回合后抽取未接线）；recall 无 scope 过滤；MemoryScope 无消费。

### 4. OTel GenAI span（验收③）

已就位：telemetry 包（Span/StartFunc/手写 OTLP HTTP JSON 导出，telemetry.go:18-106）；**`publicAttrs` 拒绝名单丢 prompt/messages/content 且被测试钉住**（telemetry.go:53-62,89；telemetry_test.go:35-41）——验收③「默认不含提示词正文」已满足且有机器证据；Trace 钩子三处 span（loop.go:174 invoke_agent、:407 chat、:655 execute_tool）；backend 全线注入（app.go:87,258,284-285 → llm.go/sub_loop）。

仍开放：

- **span 名无后缀**：约定是 `chat <model>`/`execute_tool <tool>`/`invoke_agent <agent>`，现名裸词。**这是验收③ 的主缺口。**
- 属性未 `gen_ai.*`：缺 `gen_ai.system`、`gen_ai.request.model`、`gen_ai.tool.name`、`gen_ai.usage.input_tokens/output_tokens`（token 在循环有，从未进 span）。
- 无 trace 关联：每 span 随机新 TraceID（telemetry.go:33），无 parentSpanId，Span 无 Parent/Status/Kind 字段。
- 配置面只有环境变量 `OTEL_EXPORTER_OTLP_ENDPOINT`（telemetry.go:30），无 settings 项。
- resource 无 `service.name`；导出错误丢弃（:46）；属性值全 string（token 应 intValue）。

### 5. 成本「上一请求/累计」

已就位：`Usage.Last*` 三字段（types.go:90-99）+ 循环覆盖（loop.go:262-264）；预算检查用 `LastPromptTokens`（loop.go:872-873，正确——prompt 成本按整段历史计）；`message_end` 事件带单请求值（loop.go:269）。

仍开放：cache tokens 从不累计（loop.go:259-264 只动 Prompt/Completion/Total）；`"usage"` 事件只带累计（loop.go:853-855，且 budgetStop/错误路径不发）；`core.Usage` 无 Last*/cache 字段（modules/core model.go:205-213）；**子代理 run 零 token 记录**（runmgr.go:1399 只记 DurationMs；sub_loop 不调 AddUsage）；前端只显示 total（AgentTracker.tsx:79-83）；无逐请求台账。completion 预算用累计（loop.go:875）经复核为**正确语义**（run 级输出预算），不动。

### 6. 模型回退链（基本已修，剩收口）

已就位：库 `WithFallback`（llm/fallback.go:7-47——5xx 且未出增量才切换，测试 fallback_test.go 三组）；backend `ChatFallbacks` 解析（model.go:65-81）+ 消费（llm_direct.go:103、sub_loop.go:61 chat 档子代理）+ `noteModelSwitch` 通知与 servedModel 落账（llm_direct.go:210-240）。回退条目共享主端点（记录为有意）。

仍开放（收口项）：verifier 与 lightweight 档未接；切换无可观测事件类型（仅 process part 文案）；agent-native CLI 未用 WithFallback。

### 7. 流式错误默认重试

已就位：`WithRetry`（providers.go:447-524——Retryable 分类 408/429/529/≥500 与容量文案、Retry-After 上限 30s、指数退避加抖动、**只在未出增量时重试**、上下文溢出不重试；providers_test.go 五组钉住）；backend `runtime.llmRetries` 默认 2 接直连（llm.go:208-209；settings.go:43,94）；agent-native CLI 接 2 次（main.go:121）。

仍开放：**库循环无默认**——重试是宿主 opt-in，子代理/verifier/squad 路径未接（`sub_loop.go:52-59` 无 WithRetry）；`onEvent` 为 nil，重试不可观测；run 记录无重试次数。

## 二、工作包划分

| WP | 内容 | 主要仓 | 对应验收 |
|---|---|---|---|
| WP1 | RunState 收口：崩溃窗口尾部配对兜底 + 杀窗口测试 + N6 残余 + 子代理优雅停机续跑语义 | agent-native + backend | ①（库层） |
| WP2 | 产品会话路径持久化：llm_direct 接 Session（transcript.jsonl），产品会话 run 获得意图日志与恢复配对 | backend | ①（产品层） |
| WP3 | 检查点收口：资格断言、符号链接防护、部分恢复进 Result、保留策略、HTTP 与边界测试 | agent-native + backend | ② |
| WP4 | OTel GenAI 对齐：span 名后缀、gen_ai.* 属性、trace 关联与 parent、resource、settings 面 | agent-native + backend | ③ |
| WP5 | Memory 端口：runtime/memory 包 + 循环 recall 消费点 + MemoryScope + backend scope 实现 + memory_write 工具 | agent-native + backend | — |
| WP6 | 计费拆分与回退/重试收口：cache 累计、usage 事件与 run 记录带 Last*/cache、子代理 token、库默认重试、可观测事件 | agent-native + core + backend + frontend | — |

依赖：WP1 先行（验收① 库层核心，WP2 依赖其兜底语义）；WP2 随后（产品落点）；WP3/WP4/WP5 独立可并行；WP6 收尾（含 core 字段级联与重试语义变化，WP6 后做总装与 A/B）。每 WP 走既有链式（库 PR → 级联 → backend PR → Dev gitlink PR），逐 WP 合入。

### WP1 RunState 收口（验收① 库层）

1. **尾部配对兜底**：`recoverPending` 之后加 `repairOrphanTail`——Load 后若活动分支尾部是带 tool_calls 的 assistant 且其 ToolCalls 存在无结果项，对每个无结果调用补一条 `tool` 消息（`Content: "进程中断，该调用未执行"`, IsError: true）并 persist。与意图路径正交：意图已配对的调用不受影响（按 CallID 判重）。这样无论死在哪个窗口，下次 Run 前转录配对恒成立。**这是验收① 的机器核心。**
2. **杀窗口测试**：循环测试钩子（在 persist(assistant) 之后、首个 intent 之前让测试能停住循环，或直接构造该转录形态——两态都测：窗口内死亡（无意图）与执行中死亡（有意图未配对）），断言：恢复后 assertToolPairs 双向成立 + 兜底结果文案正确 + 已配对项零重复。
3. **N6 残余**：`Stop.Replacement` 不再改内存 assistant（只追加 user 替换消息）——内存与转录一致；`loop_harness_test.go:17-63` 同步改断言（替换文案不再出现在 res.Messages 的 assistant 上，而是新 user 消息）。行为变化入卡。
4. **子代理优雅停机续跑语义**：done.json 按 status 分流——`completed/failed/cancelled` 挡续跑；`interrupted` 不挡（优雅停机=可续跑现场）。`ResumeInterruptedChildren` 改判据并补回归（模拟 InterruptRunning 路径后仍被续跑一次且仅一次）。

### WP2 产品会话路径持久化（验收① 产品层）

1. `llm_direct.go` 的 `directRun` 打开会话工作区 transcript：`<workspaceRoot>/<owner>/<conv>/.agentx/transcript.jsonl`，经 `runtime.Session` 传入 `nruntime.Run`——产品会话 run 获得意图日志、恢复配对与（WP1-1 的）尾部兜底。
2. 历史来源对齐：现 `History` 来自 store 重放；Session 模式以 transcript 为准（库语义：Session 非空时 transcript 是权威，History 仅在 transcript 为空时作种子——llm.History 的既有语义 loop.go:76-78）。迁移语义：首次启用时 transcript 为空 → 用 store 历史种子；此后 transcript 权威。种子与续接的一致性测试（不丢不重）。
3. **不做透明续跑**（ZCode 边界，入卡）：`ReconcileInterrupted` 对会话 run 仍 seal interrupted；配对修复在下一条用户消息触发的新 run 前完成（WP1-1 兜住），用户看到的是「中断」标记 + 可继续对话，不是自动重跑。
4. 端到端测试：产品路径杀窗口形态 → 新 run 前配对成立 + 用户可继续发消息（种子不丢历史）。

### WP3 检查点收口（验收②）

1. **资格断言**：导出 `Registry.Checkpointed(name) bool`（struct mark 非空即真）或同语义测试辅助；测试钉住入集集合恰为 {write_file, edit_file, multi_edit}（库）与 {fs_write_file}（backend 自家面），防静默漂移。
2. **符号链接防护**：`restore` 落盘前 `Lstat`——目标为符号链接时跳过并进 Skipped（与 fs_write_file 的防护同语义）+ 测试。
3. **部分恢复进 Result**：`Rewind` 单文件失败不中止，记录 `Failed []string` 续跑其余；Result 增字段（additive）；测试（一个失败一个不失败）。
4. **保留策略**：按 anchor 裁剪——`Log.Compact(keepAnchors int)` 只保留最近 N 个 anchor 的记录（重写日志文件）；backend 在 RewindFiles 成功后以 keepAnchors=200 调用；`Record` 的 Seq 改由文件尾行号维护（去全读）。
5. **测试补齐**：HTTP happy + busy 409（server 层）；root 移动场景（restore 按记录内 Root 恢复，不窜根）；空 `ordered` 边界行为钉住；「外部同字节改写」分类为 Already 的语义钉住。

### WP4 OTel GenAI 对齐（验收③）

1. **span 名带后缀**：`invoke_agent <agent|agent-native>`、`chat <model>`、`execute_tool <tool>`（loop.go 三处改名；适配器/宿主传 agent 名——invoke_agent 的 agent 名用 Config.ExecutionID 或新增 Config.AgentName，默认 "agent-native"）。
2. **`gen_ai.*` 属性**：`gen_ai.system`（openai/anthropic，由客户端协议名上抛——Stream 事件或 Config 显式字段，取后者简单：`Config.ProviderName string`，宿主可设，空=openai）；`gen_ai.request.model`（chat span）；`gen_ai.tool.name`（execute_tool span）；`gen_ai.usage.input_tokens/output_tokens`（chat span 结束时由该轮 Usage 填入）。
3. **trace 关联**：一次 Run 共享一个 TraceID，`invoke_agent` 为根、`chat`/`execute_tool` 为其子（parentSpanId）。Trace 钩子签名扩展：`Trace func(name string, attrs map[string]string) func()` 保持，Span 增 ParentSpanID/TraceID 注入位（telemetry.StartFunc 返回的闭包按 name 层级维护栈——invoke_agent 入栈为根，出栈弹出；简单确定性强）。
4. **resource 与导出**：resource 增 `service.name=agent-native`（宿主可覆盖：telemetry.StartFunc 的选项参数）；token 属性 intValue；导出失败记日志（不静默吞）。
5. **settings 面**：`telemetry.otlpEndpoint`（默认 "" = 不导出，保持现状语义；环境变量继续有效，settings 覆盖环境）；`telemetry.serviceName`（默认 agent-native）。两处 default 的行为不变证明测试。
6. **测试（验收③ 机器证据）**：span 名后缀与属性键枚举断言（钉住约定）；一次 Run 的 span 共享 TraceID 且 parent 链正确；token 进 chat span 且为 intValue；拒绝名单保持（prompt/content 永不序列化——既有测试原样通过）。

### WP5 Memory 端口

1. **runtime/memory 包**：`Entry{ID,Scope,ProjectID,Type,Content,Source,Confidence,CreatedAt,ExpiresAt}` + `RecallQuery{Scope,ProjectID,Limit}` + `Store interface{ Recall(ctx,q) ([]Entry,error); Append(ctx,e Entry) error }`。端口形态对齐 squad/runstore.go 的先例（库定义+宿主实现）。
2. **循环消费点**：`Config.Memory memory.Store`（nil=不启用）+ `Config.MemoryScope string`（对应 AgentSpec.MemoryScope 的消费）；`prepareRequest` 时在系统前缀后追加 recall 注入块（替换文案形态与 ctxasm.InjectMemory 对齐：`[记忆]\n- (typ) content`，上限 20 条，确定性排序）——行为对齐测试（端口注入的条目出现在请求里、nil 时无变化）。
3. **backend 适配**：`storeMemory{st, owner}` 实现端口（Recall=ListMemory scope/过期过滤+Limit；Append=PutMemory）；`llm.go` 装配把现 `Memories()` 断言路径（llm.go:231-233 + runmgr.go:409-426）迁到端口（语义等价：同条目同排序同文案——迁移前后注入文本一致的对照测试）。`AgentSpec.MemoryScope` 经 squad/native 适配传入 Config.MemoryScope（plugin agents 的画像驱动 scope）。
4. **memory_write 工具**：库内工具（模型自服务写回；参数 {scope,type,content,expires_in_days?}，经 `Config.Memory.Append` 落库；未配置不注册）；scope 校验（user|project）与类型校验（fact|preference|decision|episode|procedure）fail-closed。
5. 后续项（入卡剩余项，不在本 WP）：回合后抽取接线（agent-memory-extractor 子代理 + SessionEnd 事件驱动）、AllowStore 持久化形态（N1  deferred）。

### WP6 计费拆分与回退/重试收口

1. **cache tokens 累计**：loop.go:259-264 增 CacheRead/Write 累计与 Last* 对应位（Usage 增 LastCacheReadTokens/LastCacheWriteTokens?——决策：Last* 只对 Prompt/Completion/Total 已有三字段，cache 只入累计位，避免字段膨胀；记录决策依据）。
2. **usage 事件与 run 记录**：`emitUsage` 带 Last*+cache；settle 之外的路径（budgetStop/错误）也发一次终态 usage（口径=当时累计，标注终止原因在既有错误面）；`core.Usage` 增 `LastPromptTokens/LastCompletionTokens/CacheReadTokens/CacheWriteTokens`（additive JSON，core 仓 PR+级联）；backend AddUsage 链路上抛新字段；**子代理 token 记账**（sub_loop AddUsage 接线，finishChild 写入 child.Usage 的 token 字段）。
3. **前端**：contracts.ts Usage 增可选字段；UsageBadge 显示「上一请求 / 累计」（如 `+12.3k · 累计 98.1k`）。
4. **库默认重试**：`Config.RetryAttempts`（默认 2，0=关）——`Run` 内包装 `cfg.Stream = llm.WithRetry(cfg.Stream, attempts, onEvent)`；backend 直连的显式包装退役（防双重），子代理/verifier/squad 经库默认获得（行为变化：这些路径从 0 次变 2 次重试——入卡；onEvent 接 runCtx 事件面，`auto_retry_start/end` 成为可见事件）。
5. **可观测**：`auto_retry_start/end` 与 `model_fallback_switch` 事件类型入事件面（库 Event 类型 + backend 映射 + 前端展示沿用现有 process part 形态）。
6. **回退链接 verifier/lightweight**：verifier 的流包 WithFallback（lightweight 档回落主档的既有语义不动）；CLI 记录边界（不接）。

## 三、验收总表

| 总提案验收 | 机器证据 | 所在 WP | 现状 |
|---|---|---|---|
| ① 回合中途杀进程，恢复后工具配对仍成立 | 库：`TestResumePairsOrphanTailAfterCrashWindow`（无意图窗口）+ 既有 durable 四组（原样保持）；产品：`TestDirectRunPairsAfterKillSeed`（种子不丢+配对成立） | WP1+WP2 | 库有意图路径覆盖、窗口无保护；产品零持久 |
| ② 回滚只撤销 write / edit / multi_edit | 资格集合钉住测试（库 {write_file,edit_file,multi_edit}、backend {fs_write_file}）+ 既有 rewind/checkpoint 测试原样通过 + shell 文件存活断言（既有） | WP3 | 结构性成立、断言隐式 |
| ③ span 名与约定一致，默认不含提示词正文 | `TestSpanNamesFollowGenAIConvention`（名称后缀+gen_ai.* 键枚举+intValue token+TraceID 共享+parent 链）+ 既有 publicAttrs 拒绝名单测试原样通过 | WP4 | 正文拒绝已有；名称/属性/关联未对齐 |

## 四、边界与非目标

- **不做透明续跑**（ZCode 边界）：配对修复后等新用户消息；会话 run 仍 seal interrupted。WP5 子代理续跑（重派新 run）是既有有意设计，不扩展到会话 run。
- **不回滚对话历史**（ZCode 边界）：rewind 只动文件，WP3 不碰消息面。
- **不做** memory 回合后抽取接线、AllowStore 持久化、RAG 语义检索 memory_entries（WP5 是端口与接线，召回排序升级留后续）。
- **不做** OTel SDK 引入/gRPC/batch/采样（保留手写 HTTP JSON 导出；WP4 只做语义对齐与可靠化小修）。
- **不做** completion 预算口径改动（loop.go:875 经复核为正确语义）、prompt 预算口径改动。
- **不做** 回退条目独立端点（共享主端点记录为有意）、CLI 的 fallback 接线（记录边界）。
- 审计 N1/N21 已修只引用；N6 随 WP1 关闭；N20 随 WP6 关闭（预算语义不动，展示/记录口径拆分）。

## 五、风险与回退

- **产品路径接 Session（WP2）**：transcript 成为权威是会话语义变化——种子迁移必须保「不丢不重」（WP2-2 的对照测试为放行门槛）；出问题回退 = 不传 Session（单点开关，代码内常量而非设置项，回退 PR 即可）。
- **N6 行为变化（WP1-3）**：Stop.Replacement 的展示形态变化（assistant 不再显示替换文，替换文以 user 消息出现）——guardrails 消费方（verify 回路）逐一回归。
- **WP6 重试默认化**：子代理/verifier/squad 从 0 变 2 次重试——超时/配额消耗上升；`RetryAttempts=0` 可全关（测试钉住 0=不重试）。
- **core.Usage 加字段**：additive JSON 兼容旧记录；级联链 core PR → backend PR → frontend PR → Dev。
- **done.json 语义分流（WP1-4）**：interrupted 从「挡续跑」变「可续跑」——优雅停机后重启会多一次重派；幂等由 resumed.json 保证，测试钉住「一次且仅一次」。