摘要:几乎每个 Agent 产品都有一个"停止生成"按钮,但绝大多数实现只做到了最表层——把浏览器的请求断开。这篇文章我要把"取消"这件事拆到第五层:从 AbortController 到取消检查点,从幂等键到执行台账,再到分布式系统里那个最危险的问题——你根本不知道它到底停没停。看完你会明白,为什么面试官问这个问题时,想听的不是"我调了取消接口",而是"你能把四种状态的实现逻辑说清楚"。

背景:一个按钮,五种实现,大部分是错的

我在做 Agent 落地的过程中,发现一个很有意思的反差:所有人都在讨论怎么让 Agent 跑起来——怎么设计 ReAct 循环、怎么优化工具调用、怎么压上下文。但几乎没人认真讨论过怎么让它停下来。

直到有一次线上出问题,我才真正被这个问题教育了。用户点了取消,界面上显示"已停止",但后台那个任务又跑了三轮,往数据库里写了两百多条脏数据。用户第二次点开始,又写了一遍。

这件事之后我意识到:取消功能的设计难度,比启动功能高一个数量级。因为启动是"从无到有",你只要往前推;而取消是"从有到无",你要面对的是一个已经产生副作用、状态未知、可能正在别的进程里跑的系统。

面试官问"用户取消 Agent 任务怎么停止",考的从来不是你会不会调一个 abort()。他真正想知道的是:你有没有意识到这中间隔了五层,每一层都有一类会漏的地方。

第一层:前端断请求——最省事,也最不可靠

最直觉的做法是:用户点停止,前端直接断开当前请求。

// 最表层的实现,几乎所有前端框架都这么干
const controller = new AbortController();

fetch('/api/agent/run', {
  method: 'POST',
  body: JSON.stringify(payload),
  signal: controller.signal,
});

// 用户点"停止"
controller.abort();

后端检测到连接断开,就不再往下推流。这套做法的好处非常直接:界面的输出停了,模型不再继续生成,用户最直观的感受就是"我真的把它按住了"。

而且这不是什么野路子——Vercel AI SDK 的 useChat hook 里那个 stop 按钮,本质就是把 fetch 请求 abort 掉。断掉的只是浏览器和服务端之间的连接。

思考:问题在于,你断的只是"连接",不是"任务"。服务端上那个 Agent 循环根本不知道你已经走了,它手里的工具调用队列还在排着,到点就正常执行。你这边看着取消成功,它那边该怎么跑还怎么跑。

更麻烦的是 MCP 规范这一层。notifications/cancelled 在协议里只是一个通知,接收方"理应"停止运行、释放资源,但它也可以直接忽略——没识别到这个请求、已经执行完了、或者根本没法中途取消,都可以不处理。规范还专门提了一句:因为网络延迟,取消通知可能等对方的响应都发完了才到。

换句话说,协议层面本身就不承诺取消一定能生效。

问题:界面停了,但后台的计费还在走,产生的数据改动也不会跟着停。这是最常见的"假取消"——用户以为自己省了钱,其实 Token 还在烧,数据库还在写。

第二层:取消接口 + 标志位——看起来对了,其实有三个洞

既然断连接不靠谱,那就加一个真正的取消接口:用户点取消,后端把当前任务的标志位设成"已取消",工具在循环里每次执行前检查一下这个标志位。

# 第二层的典型实现
class AgentTask:
    def __init__(self):
        self.cancelled = False   # 内存里的标志位

    def cancel(self):
        self.cancelled = True

    def run(self, steps):
        for step in steps:
            if self.cancelled:      # 每次循环开头检查
                return "cancelled"
            self.execute(step)      # 执行工具

这比第一层强,因为取消信号真的传到服务端了。但我在真实项目里用过之后,发现它有三个结构性问题:

问题一:标志位只在"检查节点"才有用

如果工具正在执行一个阻塞式调用——事务提交、调第三方接口、跑一段很耗时的解析——它根本不在循环逻辑里。这时候你把标志位改多少次,它都检测不到。

问题二:标志位存在内存里,进程一重启就没了

任务被切换到其他进程执行、服务重启、Pod 被调度走——这个标记直接失效。在 Kubernetes 环境里这不是边缘情况,是常态。

问题三:标志位只代表"收到了取消请求",不代表"任务已经停止"

这两个状态完全是两回事。前者是意图,后者是事实。把它们混成一个布尔值,是后面所有状态机混乱的根源。

修复要点一:把取消检查点挪到步骤边界。只放在两个位置——模型调用完、下一次工具调用之前;当前工具执行完、下一个工具启动之前。这两个节点取消最安全,因为还没产生新的操作。

修复要点二:任务状态落数据库,并且至少分三种。执行中(running)、申请取消中(cancelling)、已取消(cancelled)。用户点取消,界面就显示"正在停止",不要假装已经停好了。

这里有一个很有说服力的佐证:OpenAI 的 Agents SDK 取消接口不是只做了一个,而是两个——一个是立即停止,另一个是等当前这轮执行完再停。连官方 SDK 都不敢只提供"立即停止"这一个选项,这就是取消只能落在步骤边界上最实在的证明。

思考:为什么不能在工具执行中途取消?我给你数三种情况:事务已经提交到一半、批量写数据已经写到第 800 条、第三方接口已经受理了请求。这三种情况你只能等它执行完。

非要强制停,唯一的手段是杀进程。但杀进程会把"执行到哪一步"这个信息一起抹掉——你换来的是更严重的不可恢复。

所以"取消"在工程上的真实语义不是"立刻停住",而是"在当前这个不可分割的操作结束后,不再启动下一个"。这个认知上的转变,是我理解整个问题最关键的一步。

第三层:已经写进去的数据怎么办——幂等 + 执行台账

假设这一步是往数据库里写 12 万条数据,写到 3 万条的时候触发了取消,检查点生效,停在了下一次工具调用之前。

任务确实停了。但已经写进去的那 3 万条,还留在库里。

这就是面试官最后追问的那个问题:能保证一条都没写进去吗?

我的答案是:保证不了。只要是跨步骤的操作,就做不到完全的原子性。你能把控的只有两件事——

  1. 让每一步操作重复执行也不会出错(幂等性)
  2. 让每一步执行完都有记录可查(执行台账)

幂等键必须用业务单号,不能用模型生成的调用 ID

这是个我踩过的坑,而且踩得很典型。

幂等的本质是:同一个业务操作,执行一次和执行十次,最终结果完全一样。所以幂等键必须能唯一标识"这笔业务",而不是"这次调用"。

坑:很多人会用模型返回的 tool_call_id 或者自己生成的 UUID 做幂等键。这是错的——模型每次重试生成的 ID 都会变,用它做幂等相当于白做。幂等键必须来自业务语义,比如订单号、流水号、任务 ID,而不是来自调用过程。

执行台账要记三个信息

所谓执行台账,就是在真正发起外部操作之前,先落一条记录:

  • 要做什么操作(操作类型 + 业务单号)
  • 什么时候发的请求(时间戳)
  • 返回的结果是什么(成功 / 失败 / 未知)

下次执行的时候,第一件事不是发起操作,而是查台账。查到"已受理",就接着上次的结果往下走,不重复提交。

这也回答了另一个常见追问:用户再点一次"开始",会不会重复写两遍?不会——因为第二次执行的第一步就是查这个业务单号。

LangGraph 的官方文档里有一句提醒,我觉得值得贴在自己工位上:它的中断恢复机制是让节点从头重新执行的。所以中断之前产生的所有数据改动,都必须做成幂等的。连官方框架都把这件事写进文档,说明它不是理论问题,是实际开发里一定会碰到的。

第四层:最危险的不是停不下来,是你不知道它停没停

我认为这一层才是真正考验设计功力的地方,而它经常被跳过。

在取消这个问题上,最危险的情况不是"执行了一半",而是"你根本不知道它有没有执行"。这里有三种情况,处理方式完全不同:

情况状态正确处理方式
① 取消得早操作还没发出去,或者服务端能确认还没受理最简单,直接中止即可
② 发出去了但断了请求已经发出去,连接断了,不知道成没成不能瞎猜,只能拿业务单号去对方系统查状态
③ 已成功但本地没更新业务实际已执行成功,本地记录还是"未完成"最危险:你以为在重试,其实在提交第二次

这三种情况绝对不能一律用"再执行一次"来处理。

还有一个很容易被忽略的细节:查不到记录不代表操作没发生。可能是消息还没更新,也可能是对方的数据库有读写延迟。只有对方系统能明确返回"未受理 / 处理中 / 已完成 / 失败"这几种状态,你才能根据结果做判断。

思考:这一层把一个看起来像"前端交互"的问题,彻底暴露成了分布式系统的问题:你无法原子地停止一个已经发出请求的操作。这跟分布式事务里的两阶段提交是同一类困境——你不知道对方的 prepare 到底成没成。

所以取消功能的本质,不是"发一个停止信号",而是"建立一套能对账的状态机"。信号只是触发器,对账才是兜底。

第五层:最后一个坑——别把取消当成失败

这是我觉得最容易犯、后果最严重的一个设计错误。

如果你的状态机里只有"失败"这一种异常状态,那么用户手动点了取消,系统会把它当成一次执行失败,然后自动帮你重试一遍。

用户想让它停,系统却让它又开始跑。这个 bug 在测试环境很难发现,因为测试时你很少真的去点取消。

取消是人为发出的控制信号,是主动喊停;失败是程序执行出了问题,是被动出错。这两件事必须分开处理——取消了就不要自动重试,失败了才按类型判断是重试还是终止。—— 我在设计任务状态机时给自己定的原则

落到实现上,状态机至少要能区分这几条路径:

RUNNING ──用户取消──> CANCELLING ──检查点生效──> CANCELLED
   │                                                  │
   │                                                  └─ 不自动重试
   │
   └──执行异常──> FAILED ──> 按错误类型判断:可重试 / 需终止

CANCELLED 必须是一个独立的终态,不能归到 FAILED 里。这不只是命名问题——它决定了后续所有自动重试、告警、报表的口径。

深度思考:为什么这件事比看上去难十倍

把五层拆完,我发现"取消"这个功能的难点,其实不在任何一层具体的技术实现上,而在三个认知层面:

第一,混淆了"意图"和"事实"

标志位代表意图(我想停),任务状态代表事实(已经停了)。工程里绝大多数状态 bug,都源于把这两个东西压成一个布尔值。一旦你把"申请取消"和"已取消"分开,很多边界情况就自然清晰了。

第二,低估了副作用的不可逆性

LLM 调用可以随便中止,因为它没有副作用。但工具调用一旦涉及写数据库、发消息、扣款,就进入了不可逆的领域。取消功能的设计质量,本质上取决于你对"副作用边界"的理解深度。这也是为什么做业务 Agent 比做聊天机器人难得多。

第三,没意识到取消是分布式问题

一个 Agent 任务至少跨三方:客户端、Agent 服务、外部工具/API。你要在这三方之间达成"它停了"的共识,而这正是分布式系统里最难的协调问题。把它当"加个按钮"处理,必然漏。

我还想补充一个自己的判断:未来两三年,"可中断、可恢复、可对账"会成为 Agent 框架的标准能力,就像今天没人会手写连接池一样。但现在这个阶段,框架给的只是积木,怎么拼还是得自己设计。所以现在把这几层的逻辑想清楚,是有长期价值的。

面试作答框架:四个问题

如果让我来回答"用户取消 Agent 任务怎么停止"这个问题,我会按这四个维度组织答案。这也是我认为面试官真正想听到的结构:

维度要讲清楚什么常见错误答案
① 停在哪一层只停了前端流式响应,还是连工具调用、后台任务、状态记录一起停了只讲 abort fetch
② 停在什么位置停在两个步骤之间的边界,还是硬插在步骤执行的中途说"循环里检查标志位就行"
③ 停得干不干净有没有做幂等和执行台账,能不能放心让用户再点一次开始完全没提数据一致性
④ 怎么标记状态取消是独立终态,不能归到失败里,不能触发自动重试把取消当失败处理

这四个点缺任何一个,这个取消功能就是不完整的。而能把四条都讲清楚的人,和只答"我调用了取消接口"的人,工程能力差一个层级。

答案:最后给你一个我在实际 review 里用的判断方法,非常粗暴但有效:检查这个功能的取消逻辑,如果全程只用了一个布尔值做标记,那它大概率只做到了最表层的停止。

真正做完整的实现,一定会出现这些东西:数据库里的状态字段(至少三态)、幂等键、执行台账表、以及一段处理"未知状态"的对账逻辑。有这些,才叫完整。

总结要点

  1. 前端 abort() 断的只是连接,不是任务;服务端循环不知道你走了,计费和副作用照旧。
  2. MCP 的 cancel 通知在协议层面不承诺生效,接收方可以忽略——不能把它当保证。
  3. 取消检查点必须落在步骤边界,不是工具执行中途。OpenAI Agents SDK 提供两个取消接口就是最好的证明。
  4. 任务状态要落库,至少三态:执行中 / 申请取消中 / 已取消。"收到取消请求"不等于"已经停了"。
  5. 跨步骤操作做不到原子性,只能靠幂等 + 执行台账兜底;幂等键必须用业务单号,不能用模型生成的调用 ID。
  6. 最危险的是"不知道它停没停":操作发出去了但连接断了、或者外部已成功而本地没更新,这两种都必须拿业务单号去对账,不能盲目重试。
  7. 取消是独立终态,不能归入失败,否则用户点取消会被系统自动重试——这是最隐蔽也最严重的坑。
Logo

更多推荐