创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

MCP持久化任务重启后会变成“僵尸”

AI 总结

掘金作者用 JSON 文件实现持久化 MCP TaskStore,并在强杀服务后比较了三种重启策略。zombie 会让任务持续显示 working 直至 TTL 过期,fail 会直接标记失败,而 resume 没有检查点,只能从头执行并可能重复副作用。作者还建议用 lastUpdatedAt 辅助判断任务停滞,并在可行时将长工作拆成多次短工具调用。

深度见解

实验表明,持久化任务状态并不等于保住执行过程,构建可靠的 AI 工具流程必须处理重启策略、幂等性与检查点问题。

上一篇的结尾我写了一句话:InMemoryTaskStore 重启即丢,任务原语只解决「怎么问」,不解决「问的东西还在不在」。

那自然的下一步就是:自己写一个落盘的 store。

我花了一个下午写完了,六个方法、一个任务一个 JSON 文件、原子写。重启之后 tasks/get 照样能返回任务,状态是 working。我以为成了。

然后我发现这个任务永远不会结束。

不是慢,是永远不会。没有报错,没有超时,tasks/get 每隔一秒老老实实返回一次 working,状态消息停在「正在读取笔记」,一直到 TTL 把记录清掉为止。

状态存下来了,执行没存下来。  这两件事在代码里只差几行,但在语义上差了一整个分布式任务系统。

#MCP#MCP TaskStore#InMemoryTaskStore

原文约 11 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。