在 adk-go 构建生产级 AI Agent 时，长任务中断（如网络波动或服务重启）会导致执行丢失，严重影响可靠性。通过 ResumabilityConfig 配置 Agent 检查点恢复机制，能从 Session State 精确续传断点；同时集成工具追踪，利用事件日志与 Cloud Trace 实现调用调试，提升工程化水平。
检查点恢复机制核心原理
adk-go 的 Resume 功能依赖事件（Events）和 Agent 状态（BaseAgentState）记录执行轨迹，支持 Sequential、Loop 和 Parallel Agent 自动续传。根据官方文档，当工作流中断后，使用 Invocation ID 重启 Runner，系统加载已完成事件，重置未完 Agent 状态，从当前子 Agent 或循环迭代继续执行。例如，Sequential Agent 通过 saved state 中的 current_sub_agent 定位下一个子 Agent，避免从头重跑。
恢复流程参数配置：
- ResumabilityConfig：在 App 初始化设置
is_resumable: true，启用检查点自动记录。 - SessionService：生产选 DatabaseSessionService 或 VertexAiSessionService，确保 State 持久化。InMemoryService 仅测试用，重启丢失。
- State 管理：用
user:前缀存用户级进度（如user:task_step: 3），temp:前缀存单 Invocation 临时数据（如temp:tool_params），避免跨调用污染。 - 恢复阈值：Invocation 超时设 300s，事件批次 ≤50，避免 State 膨胀。回滚策略：若恢复失败，fallback 到初始 State，重置
end_of_agent: false。
落地清单：
- App 定义：
app := adk.NewApp("resumable-agent", rootAgent, &adk.ResumabilityConfig{IsResumable: true}) - Runner 续传：
runner.RunAsync(ctx, userID, sessionID, invocationID="中断 ID")，自动加载 State。 - Custom Agent 适配：扩展 BaseAgentState，定义 WorkflowStep Enum（如 INITIAL=1, LOOP=2），在 run_async_impl 中
_load_agent_state(ctx)检查点，yield AgentStateEvent 保存步进。 - 监控点：Checkpoint Lag <5s，State 大小 < 10KB，恢复成功率>99%。
工具追踪集成实现
工具调用是 Agent 可靠性痛点，adk-go 通过 Callbacks、Events 和 OpenTelemetry 实现全链路追踪。每个 Tool 执行产生 execute_tool Span，LLM 调用为 call_llm Span，聚合到 invocation Span，支持 Cloud Trace 水落图分析瓶颈。
追踪配置参数：
- Callbacks：注册
on_tool_start/end，记录参数 / 结果到 State，如ctx.State().Set("tool:weather.result", result)。 - Cloud Trace：部署 Cloud Run/GKE 时
--trace_to_cloud，自动导出 Span 到 GCP 项目。Span 名：agent_run、execute_tool，属性含工具名、输入输出。 - EventActions：Tool 返回后 append Event，state_delta 记录
tool_trace: {name: "get_weather", input: {...}, duration_ms: 150}。
生产追踪清单：
- 工具幂等：恢复时 Tool 至少执行一次，检查
temp:tool_id防重入（如支付场景）。 - 追踪粒度：工具 >100ms 告警，Trace Explorer 筛选 latency >1s，分析 LLM/Tool 占比。
- 回滚策略：Trace 异常 >3 次，暂停 Invocation，通知运维。
- 集成 Phoenix/Monocle：本地调试用，生产 Cloud Trace 为主。
生产可靠性提升案例
长任务如多 Agent 协作生成报告，中途 Pod 重启，使用 VertexAiSessionService 持久 State，恢复后仅重跑 Parallel 未完分支，节省 80% 时间。工具追踪发现 get_weather 延迟峰值源于 API 限流，优化为缓存 user:weather_cache。
风险控制：
- 禁止恢复中改工作流（加 / 删 Agent）。
- Tool 侧效检查：恢复前验证 State 一致性。
- 容量阈值：Session >1k 归档，清理 idle >7 天。
参数调优表：
| 参数 | 推荐值 | 说明 |
|---|---|---|
| resumability.is_resumable | true | 全局启用 |
| session.ttl | 30d | 会话存活 |
| trace.sampling_rate | 0.1 | 生产采样 |
| state.max_size | 1MB | 防 OOM |
资料来源：