Agent 人工复核队列:把人放在高风险决策点,而不是所有步骤后面
人工复核不是简单加一个“确认”按钮。本文设计风险分流、证据包、队列优先级、SLA 和反馈回流,让 Agent 在高风险任务上可控,同时不牺牲低风险自动化效率。
这里聚合 CodeNodeX AI 社区中与 AI Agent 相关的技术文章和讨论,覆盖概念解释、工具对比、工程实践、常见问题和独立开发经验。
如果你正在研究 AI Agent,建议先阅读高质量长文,再参与帖子讨论,形成从理解到实践的完整路径。
人工复核不是简单加一个“确认”按钮。本文设计风险分流、证据包、队列优先级、SLA 和反馈回流,让 Agent 在高风险任务上可控,同时不牺牲低风险自动化效率。
上下文能装进窗口不代表消息序列合法。本文把 role、tool call/result、序列化请求和流式 block 固定为一次 dispatch manifest,阻止半截工具参数或旧流进入下一轮。
Function Calling 是 Agent 影响真实世界的接口,但"模型说我要调工具"和"可靠地执行完"之间隔着好几道工程关。本文讲清它的工作机制、并行与多轮调用、参数校验与错误恢复,以及它和 MCP 的关系——把 function calling 从"能跑"用到"生产可靠"。
MCP Server 的审计日志不能只记一行成功或失败。本文设计调用关联 ID、授权决策、输入输出摘要、敏感字段脱敏、保留策略和事件查询方式,为安全与排障提供证据链。
URL mode 的 accept 只表示用户同意导航,不代表授权或付款已经完成。本文隔离表单数据与敏感凭据,绑定用户身份、目标域、完成通知和原请求重试。
initialize 成功不代表双方可以在会话中随意增减功能。本文把协议版本、双方 capability、实现身份与 initialized 边界冻结成可审计收据,阻止旧连接误用新能力。
MCP Server 在多租户系统中最危险的故障不是报错,而是静默把 A 团队的数据返回给 B 团队。本文从身份上下文、查询约束、缓存、工具参数和测试策略讲解完整隔离设计。
resources/updated 只表示某 URI 可能变化,不携带内容版本。本文用发现代次、订阅租约与读取摘要对账通知丢失、乱序更新和分页期间的资源集合变化。
modelPreferences 不是指定模型,Sampling 返回也不该未经复核直达 Server。本文冻结路由策略、实际模型、工具循环和请求/结果两阶段同意,形成唯一交付收据。
MCP Server 接入生产系统时,最容易出问题的不是能否拿到 token,而是身份与权限边界被混用。本文给出一套可落地的鉴权分层、令牌交换、审计与故障处理方法。
SSE 断线、HTTP 404 与 DELETE 都不等于同一种结束。本文绑定 MCP session、协议版本、原始 stream 和 Last-Event-ID,避免跨流重放、会话劫持与重复副作用。
MCP 工具会面对模型重试、网络抖动和下游长任务。本文给出超时预算、重试条件、幂等键、取消语义和观测指标的完整设计,避免重复写入与无限等待。