vivo提出Agent运行事实可恢复工程，解决刷新重连导致的执行断层问题

当用户在售后对话中请求退款，Agent 判断订单符合条件并准备发起退款操作，却在用户确认前遭遇页面刷新——审批提示消失，系统无法判断原决策是否仍有效；更严重的是，若退款请求已提交至支付渠道但本地状态未写入即发生服务重启，系统可能重复调用接口，造成资金重复退还。这类问题并非源于模型推理错误或知识缺失，而是系统缺乏对‘运行事实’的稳定承载机制。

这一现象揭示了当前 AI Agent 应用落地的关键瓶颈：会推理、会调用 Tool，仅意味着能完成一次 ReAct 循环（Thought → Action → Observation），但真实产品需应对刷新、断连、长时间审批、子任务分发、进程重启等非连续场景。vivo 互联网存储团队在其 KDC（Knowledge-driven Computing）系列工程篇中，将此问题提炼为‘Agent 运行事实可恢复工程’的核心挑战。

文章首先区分了三类不可混同的‘事实’层次：领域现实（如订单实际状态）、业务判断事实（如‘该订单符合退款条件’的结论）、软件运行事实（如‘用户已点击确认，退款请求已提交至支付网关，等待回调’）。前两者依赖知识与推理，而后者必须由系统持久化、可引用、可恢复——它才是连接‘正确判断’与‘可靠执行’的工程桥梁。

为构建这一层事实，vivo 提出‘双链结构’：业务因果链描述目标→判断→策略→行动的逻辑推导路径；运行事实链则记录每一次执行的时序状态，包括 Runtime Event、State、View 和 Checkpoint/Resume 点。二者通过共享 Schema 关联，确保业务意图不被运行中断扭曲。

进一步地，团队将传统 Session 概念解耦为五个正交要素：Session（会话标识）、Context（上下文快照）、State（运行时状态）、Memory（短期记忆）、Knowledge（长期知识库）。其中，State 作为运行事实的核心载体，需满足原子性、幂等性与可追溯性。例如，在退款场景中，State 应明确记录：tool.call.completed = false、pendingApproval = true、userConfirmed = null，而非仅保存聊天文本中的“准备退款”一句话。

为支撑状态恢复与交接，文章定义了三类关键 Contract：

Resume Contract：规定系统重启或用户重连后，如何从持久化 State 中重建运行现场，例如识别当前处于‘等待用户确认’阶段而非‘已发起退款’；
Progress Contract：约束子任务或子 Agent 的进度归属，确保 Artifact（如生成的退款单号）能准确绑定到原始目标与判断链；
Evaluation Contract：提供对运行结果的验证标准，例如‘退款成功’不仅指支付渠道返回 success，还需本地账务对账一致、用户收到通知。

这些 Contract 共同构成 Agent Harness 的核心协议层。Harness 被定义为驱动循环与控制的中间件，负责将模型输出转化为可治理的软件事实，其能力包括：持久化关键状态、校验授权边界、隔离沙箱执行、支持人工介入与回滚。与传统前端 UI 仅依赖聊天历史不同，Harness 使系统能在无上下文的情况下，仅凭 State 数据即可重建完整执行意图。

该方案并非孤立技术，而是 KDC 理论体系的工程收束。此前四篇分别探讨了 Reality（现实建模）、Knowledge（知识组织）、Reasoning（推理过程）、Skill/Capability（能力封装）与 Memory（记忆治理），本篇聚焦最终环节：如何让所有组件协同形成可审计、可渐进采用的产品级系统。作者强调，KDC 不追求统一 Agent Framework，而是提供一套面向事实治理的元模型——企业可根据自身业务复杂度，选择性采纳 State Schema 设计、Contract 定义或 Harness 实现。

行业层面，此类工程化思考正成为大模型落地的关键分水岭。早期 Agent demo 多止步于单轮任务闭环，而金融、电商、政务等高可靠性场景要求系统具备‘事务级一致性’。例如，蚂蚁集团在智能客服中引入状态机引擎，京东在订单履约中使用分布式 Saga 模式，均隐含类似思路。vivo 此次公开的 KDC 工程框架，首次系统性地将‘运行事实’提升为独立抽象层，并给出可操作的解耦路径与契约定义方法，为行业提供了可复用的方法论参考。

值得注意的是，该方案并未依赖特定模型或基础设施，而是聚焦软件架构本身。这意味着中小团队也可基于现有微服务框架，通过增加 State 管理模块与 Contract 验证逻辑，逐步增强 Agent 系统的鲁棒性。其价值不在于发明新工具，而在于厘清了‘为什么现有 Agent 在生产环境中容易失序’的根本原因，并给出了结构化解决方案。

随着多模态与具身智能发展，Agent 将更频繁地介入物理世界操作——此时运行事实的稳定性将直接关联安全与合规。vivo 提出的这一工程范式，或将成为下一代 AI 应用基础设施的重要基石。