📄 Abstract
摘要： 2025 年末，AI Agent 的能力从单次问答进化到多步骤、多模态任务链（如：视觉分析 $\rightarrow$ LLM 推理 $\rightarrow$ API 调用 $\rightarrow$ 图像生成）。这种长任务链的非确定性（Non-Determinism）和异构性（Heterogeneity），使其极其脆弱。任务执行中，任意一环的 API 超时、NPU 过热或 LLM 产生幻觉，都可能导致整条链条崩溃，浪费前序步骤的所有算力。本文将深入 Agent **执行图（Agent Execution Graph, AEG）的底层调度机制，揭示系统如何通过 任务级检查点 和 资源隔离 QoS，将一次脆弱的长任务转化为一系列原子化（Atomic）**的、可回滚的计算事务，从而将无效计算能耗降到最低。
1. 🤯 困境：Agent 的脆弱性与算力浪费
一个典型的 AI Agent 任务——比如“分析冰箱中的食材（VLM），制定一份低碳水食谱（LLM），并在电商平台下单 API (Net)”——是一个包含了视觉、推理和网络 I/O 的复杂流程。
1.1 算力坍塌：长任务链的悖论
假设任务链有 $N$ 个步骤，总成功率 $P_{total}$ 是每一步成功率 $p_i$ 的乘积：
$$P_{total} = \prod_{i=1}^{N} p_i$$
在复杂的异构环境中，$p_i$ 难以维持在 99.9% 的高水平。如果 $N=10$，且平均 $p_i = 0.9$，那么 $P_{total} = 0.9^{10} \approx 34.8%$。这意味着 65.2% 的任务都会失败，浪费了已执行步骤的算力。
假设任务在第 $k$ 步失败，浪费的能耗 $E_{wasted}$ 是前 $k-1$ 步的累加能耗： $$E_{wasted} = \sum_{i=1}^{k-1} E_i$$ 在移动端或数据中心，这种无效计算不仅浪费电，还会造成不必要的发热和资源拥堵。
1.2 异构计算的资源抢占
Agent 任务链的特点是需要同时调用多种硬件资源：NPU（推理）、GPU（图像/视频处理）、CPU（I/O 和控制流）。如果 LLM 环节调度失控，独占所有 NPU 资源，将导致后续步骤所需的 VLM（视觉语言模型）无法获得计算资源，形成 资源死锁或饥饿，最终导致任务超时崩溃。
2. 🧬 核心架构（一）：任务分解与原子化
要防止算力坍塌，调度器首先必须将脆弱的长任务转化为可管理的单元。
2.1 Agent 执行图 (AEG) 与原子能力 (AC)
Agent 的高层指令被分解为一个 AEG (Agent Execution Graph)，这是一个具备条件分支和循环的复杂 DAG (有向无环图) 结构。图中的每个节点是一个 原子能力（Atomic Capability, AC）。
| 原子能力 (AC) 类型 | 资源需求 | 典型失败原因 ($1-p_i$) |
|---|---|---|
| VLM 推理 | NPU/GPU | 传感器数据损坏、NPU 过热降频 |
| LLM 推理 | NPU/DRAM | 内存溢出、模型幻觉（逻辑失败） |
| API 调用 | CPU/Network | 超时、网络断开、认证失败 |
| 数据格式转换 | CPU | 内存不足、类型错误 |
调度器不是将整个任务提交给 OS，而是将 AC 节点作为最小的调度单位。这使得系统能够精确地为每个 AC 分配所需的 时序和资源配额。
2.2 AI 事务管理器：Check-pointing 与 Rollback
借鉴数据库的事务管理机制（ACID 特性），调度器在 Agent 任务中引入了 检查点（Check-pointing） 机制，这是保证能效和可靠性的核心。
- Check-pointing： 每当一个 AC 成功完成后，调度器会将当前 Agent 的 全部运行状态（包括 LLM 的上下文、中间数据、局部变量、网络状态等）序列化并存储在低功耗的持久化内存中（如 LPDDR 内存的保留区）。
- Rollback（回滚）： 如果任务在第 $k$ 步失败，系统只需恢复到最近的成功检查点 $k-1$，并重新尝试执行第 $k$ 步，或者执行预先定义的 容错分支，而不是从头开始。
$$\text{Energy Saved} \approx \sum_{i=1}^{k-1} E_i$$
通过限制最大回滚距离，调度器将算力浪费控制在了一个原子能力的范围内。
3. ⚙️ 核心架构（二）：资源隔离与 QoS 机制
为了防止关键 AC 被低优先级任务拖垮，调度器必须具备 任务级 QoS 和 抢占式调度 的能力。
3.1 动态 QoS (Quality of Service)
传统的调度是基于进程/线程级别的优先级。AI Agent 需要 基于任务目标的 QoS。
- 调度策略： 调度器根据 AEG 分析出关键路径（Critical Path）上的 AC，为其赋予最高的 QoS 权重，例如：保证 80% 的 NPU 时间片，并限制其最大延迟。
- 功耗隔离： 对于低优先级的后台 Agent 任务（如夜间数据同步），调度器会将其资源限制在 最低能效区（如只使用 NPU 的小核，且限制内存带宽），防止其与用户交互式的 Agent 竞争资源。
3.2 抢占式调度与用户中断
想象一个场景：Agent 正在后台执行一个需要 10 秒的多模态图片生成任务（LLM 驱动 GPU 渲染）。用户突然发出一个语音指令（高优先级，需要 50 毫秒的 LLM 推理）。
- 传统系统： 只能等待图片生成完成或依赖复杂的信号机制。
- Agent 调度器： 调度器识别到用户语音指令的 高优先级 QoS，立即触发：
- 对后台图片生成任务进行 软抢占（Soft Preemption）：迅速保存当前的 GPU/NPU 状态（Check-point）。
- 将资源分配给语音指令，快速完成推理。
- 在资源空闲时，从保存的 Check-point 恢复图片生成任务。
这种抢占能力，是 Agent 系统流畅性与能效的关键，它防止了用户等待造成的 体感功耗损失。
4. 🌍 行业展望：操作系统向“AI 事务平台”演进
Agent 技术的成熟，正在推动操作系统（OS）内核从传统的**“资源调度器”**向 “AI 事务管理器” 演进。
4.1 FFRT 与 Agent 的融合
此前文章中讨论的 FFRT（Function Flow Runtime）为代表的数据驱动模型，为 Agent 的任务分解和调度提供了理想的底层支持。FFRT 能够天然地管理 AC 之间的依赖关系，而 Check-pointing 机制则为其提供了 错误恢复能力。这种融合是未来高性能 AI OS 的核心竞争力。
4.2 Agent 协议的标准化
为了实现跨设备、跨平台的 Agent 任务迁移和恢复，行业迫切需要统一的 Agent State Protocol。无论是从手机 Agent 迁移到云端，还是从一个应用迁移到另一个应用，Check-pointing 的数据格式必须标准化，以确保状态的可移植性。
5. 🏆 总结与最终结论
AI Agent 的“全知全能”并非来自无限的算力堆叠，而是来自 有限算力的极致可靠利用。
- 算力坍塌的根源： 长任务链的非原子性。
- 调度器的对策： Check-pointing 保证任务的持久性（Durability），QoS 保证资源的隔离性（Isolation）。
Agent 的真正价值在于其执行的 可靠性和能效。未来的竞争，不在于谁能跑出最高的 TOPS，而在于谁能以最低的能耗和最高的成功率，在复杂的多模态环境中，完成最长、最复杂的任务链。
📚 参考文献 / References
- [ACM SIGOPS Operating Systems Review, 2025] “Towards Atomic Task Execution: Checkpointing and Rollback Mechanisms for Large Language Model Agents.” (注：关于将 OS 事务管理引入 Agent 执行环境的学术研究)
- [Google DeepMind Technical Blog] “Managing Non-Determinism in Multi-Step AI Reasoning Pipelines.” (注：讨论 LLM 在复杂任务中产生逻辑错误的容错策略)
- [OpenAI Architecture Notes] “Agent Execution Graph and Heterogeneous Resource Allocation.” (注：关于 Agent 任务分解和资源分配图模型的工程实践)
- [Huawei HarmonyOS Internal Briefing, 2025] “Implementing FFRT-based QoS for Low-Latency User-Facing AI Services.” (注：关于实际系统中如何利用底层调度器实现 AI 任务优先级隔离的案例)