Agent 跑了半个小时，突然失败了。你不知道它在哪一步出了问题，不知道它之前做了什么，只能从头重跑一遍。
这不是偶发的倒霉，而是设计上的缺陷。Agent 没有留下任何可追溯的记录，出了问题就只剩一个黑盒。对短任务来说，这可能只是浪费几分钟；对长任务、并行任务、带外部副作用的任务来说，这会直接影响稳定性、成本和信任感。
所以，真正可用的 Agent 系统，不应该只关心最后输出了什么，还要关心执行过程中发生了什么。每一次关键判断、每一次工具调用、每一次失败重试，都应该留下可以回看的痕迹。
内存里的状态是不可信的
很多 Agent 的执行状态只存在于运行时的内存里。只要进程一结束，这些状态就消失了。
这会带来三个问题：
┌────────────────────────────────────────────┐
│ 问题一：无法恢复 │
│ 中途失败只能从头重跑，之前的工作全部作废 │
├────────────────────────────────────────────┤
│ 问题二：无法排查 │
│ 出错了不知道哪一步出的问题，只有最终结果 │
├────────────────────────────────────────────┤
│ 问题三：无法积累 │
│ 每次执行的经验无处沉淀，下次还是重头开始 │
└────────────────────────────────────────────┘
内存状态适合支撑当前这一次运行，但不适合承担长期责任。它可以告诉 Agent 现在走到哪一步，却很难在进程退出之后证明自己之前做过什么、为什么这么做、结果是否可靠。
解决这三个问题的方式是同一个：把执行过程中的关键事件持久化存储，而不是只依赖内存。
什么叫事件持久化
事件持久化的意思是：Agent 每执行一个有意义的操作，都把这件事记录下来，写到外部存储里。
记录的内容不需要很复杂，基本结构包括：做了什么、什么时候做的、输入是什么、输出是什么、是否成功。如果这一步失败了，还要记录失败原因、重试次数和下一步处理方式。
┌──────────────────────────────────────────────┐
│ 一条事件记录 │
│ │
│ 时间戳：2026-05-07 14:32:01 │
│ 事件类型：工具调用 │
│ 工具名称：search_logs │
│ 输入参数：{ "keyword": "timeout", ... } │
│ 输出结果：{ "count": 12, "files": [...] } │
│ 执行状态：成功 │
└──────────────────────────────────────────────┘
这条记录写进文件或数据库之后，就和进程的生死无关了。Agent 崩溃了、超时了、被手动停掉了，记录依然在。后续排查问题时，工程师不需要猜测当时发生了什么，只要沿着事件链往前追，就能看到任务是怎样一步步走到当前结果的。
更重要的是，事件记录不只是日志。日志偏向给人看，事件记录还要给系统继续使用。它应该能被查询、被聚合、被重放，必要时还能成为恢复任务、生成报告、沉淀经验的输入。
断点续跑：从失败的地方继续
有了持久化的事件记录，Agent 才具备断点续跑的能力。
下次启动时，Agent 先读取上次的执行记录，找到最后一条成功的事件，从那里继续往下跑，而不是从头开始。已经完成的步骤不重复执行，节省时间，也避免重复操作带来的副作用。
┌─────────────────────────────────────────┐
│ 正常执行流程 │
│ │
│ 步骤 1 ──► 步骤 2 ──► 步骤 3（失败） │
└─────────────────────────────────────────┘
↓ 重启后
┌─────────────────────────────────────────┐
│ 断点续跑流程 │
│ │
│ 读取记录 ──► 步骤 1（跳过） │
│ ──► 步骤 2（跳过） │
│ ──► 步骤 3（从这里继续） │
└─────────────────────────────────────────┘
这对长任务尤其重要。一个跑了两个小时的 Agent，不应该因为最后五分钟的网络抖动就全盘作废。
不过，断点续跑不是简单地把失败步骤重新执行一遍。它还有一个前提：事件记录必须能说明哪些步骤已经产生了外部副作用。比如已经写过文件、发过请求、创建过资源，就不能假装这一步没有发生。否则重跑可能带来重复提交、重复扣费、重复创建数据等问题。
所以，事件持久化最好和幂等设计放在一起考虑。能重复执行的步骤，可以直接从事件记录恢复；不能重复执行的步骤，要记录外部资源标识、执行结果和补偿方式。这样恢复任务时，Agent 才知道自己应该继续、跳过、确认，还是回滚。
可观测性：知道 Agent 在做什么
事件记录的另一个价值是可观测性。
在多 Agent 并行的场景里，主控 Agent 需要知道每个子 Agent 的执行状态。如果子 Agent 只在最后返回一个结果，主控就是盲调度，不知道谁跑完了、谁卡住了、谁出错了。
有了持久化的事件记录，主控随时可以查询每个子 Agent 的进度，而不需要等所有人都结束才能汇总。某个子 Agent 卡住了，可以提前介入；某个子 Agent 已经跑完，可以提前拿到结果往下推进。
┌───────────────────────────────────────────┐
│ 主控 Agent 查询子 Agent 状态 │
│ │
│ 子 Agent A：已完成（步骤 1/1） │
│ 子 Agent B：执行中（步骤 2/4） │
│ 子 Agent C：失败（步骤 3，超时） │
└───────────────────────────────────────────┘
这种实时的可见性，是单纯依赖内存状态做不到的。
在工程上，可观测性至少要回答三个问题：当前任务跑到哪里了，最近一次失败发生在哪里，下一步计划做什么。只要这三个问题能被稳定回答，Agent 就不再是一个只能等结果的黑盒，而是一个可以被调度、诊断、干预的工作流。
事件记录是经验提炼的原材料
说到这里，细心的读者可能已经发现，事件持久化和前面几篇讲的内容是相互咬合的。
上一篇讲记忆分层，提到梦境整合会在会话结束后回顾历史、提炼经验写入长期记忆。那么，梦境整合回顾的是什么？正是这些事件记录。
没有持久化的事件记录，梦境整合就失去了原材料，只能依赖模糊的会话印象，提炼出来的经验质量大打折扣。
┌───────────────────────────────────────────────┐
│ 事件记录（原材料） │
│ 完整记录了每一步做了什么、结果如何 │
└──────────────────┬────────────────────────────┘
│
▼
┌───────────────────────────────────────────────┐
│ 梦境整合（提炼） │
│ 从事件记录中识别规律、错误模式、高效路径 │
└──────────────────┬────────────────────────────┘
│
▼
┌───────────────────────────────────────────────┐
│ 长期记忆（沉淀） │
│ 精炼后的经验，供下次会话直接使用 │
└───────────────────────────────────────────────┘
事件持久化、梦境整合、长期记忆，三者串在一起，才构成一个完整的经验积累闭环。
这里的关键不是把所有过程都塞进长期记忆，而是先把过程完整保留下来，再从里面筛选真正有复用价值的经验。事件记录负责保真，梦境整合负责提炼，长期记忆负责复用。三者分工清楚，系统才不会把临时噪音误当成长期经验。
记录什么，不记录什么
事件记录不是越详细越好。记录太细，存储压力大，查找也慢；记录太粗，关键信息丢失，分析价值有限。
一般来说，值得记录的事件包括：工具调用、决策节点、错误和异常、任务的开始和结束、对外部资源产生影响的操作。这些事件共同决定了任务能否恢复、问题能否追踪、经验能否提炼。
不需要记录的包括：Agent 内部的每一步推理过程、临时的中间变量、大量重复的低价值操作。尤其是内部推理过程，本身不适合作为长期存储对象，也不一定能提升恢复和排查效率。
判断标准只有一个：如果这条记录丢了，你能不能还原出发生了什么。能还原，就不需要记；还原不了，就要记。
还可以再加一个工程判断：如果这条记录会影响恢复、审计、计费、安全、协作或经验复用，就应该记录；如果它只是在运行时临时帮助模型组织上下文，就没有必要长期保存。
小结
事件持久化解决的是 Agent 的失忆问题。它让 Agent 的执行过程变得可追溯、可恢复、可观测，也为后续的经验积累提供了原材料。
这个系列到这里就完整了。从 Generator + Critic 到 Rubric 驱动，从记忆分层到并行编排，再到事件持久化，五篇文章覆盖了本地 Agent 落地的五个核心设计问题。它们不是孤立的技巧，而是一套相互支撑的架构思路。
如果把 Agent 当成一次性脚本，执行完就结束，事件持久化可能显得有点重。但只要你希望 Agent 能承担长任务、多人协作、并行调度和持续改进，它就不是锦上添花，而是基础设施。