Разработка системы резервирования и отказоустойчивости AI-агентов

Отметим: когда AI-агент внезапно перестаёт отвечать из-за сбоя OpenAI API или падения локального инференс-сервера, бизнес-процесс встаёт. Мы сталкивались с этим не раз: в production-системах с SLA 99.9% недоступность LLM на 10 минут означает потерю тысяч заказов. Недавно у клиента из финтеха GPT-4o упал на 15 минут из-за сбоя облака — наши fallback-агенты переключились на Claude 3.5 за 400 мс, и процесс не прервался. Поэтому мы разрабатываем архитектуру резервирования LLM и всего стека, которая держит удар — fallback провайдеры, circuit breaker'ы, checkpoint'и и human escalation. Всё под ключ, с гарантией и документацией.

Как обеспечить отказоустойчивость AI-агентов?

Ключевая задача — чтобы при отказе любого компонента (LLM API, инструмент, оркестратор) агент либо мгновенно переключался на резерв, либо корректно деградировал, не теряя прогресса. Мы реализуем четыре уровня защиты: резервирование LLM (fallback провайдеры), circuit breaker для инструментов, checkpoint восстановление для длительных задач, human escalation при неразрешимых ошибках. На практике priority fallback с circuit breaker в 2-3 раза надёжнее round-robin при пиковых нагрузках. SLA AI-агентов при таком подходе достигает 99.99%.

Почему priority fallback с circuit breaker надёжнее?

Первый и самый частый сценарий — основная модель (GPT-4o) недоступна из-за rate limit или аварии. Используем fallback цепочку: OpenAI → Anthropic → локальная модель (LLaMA 3 8B через vLLM). Переключение происходит за <500 мс с использованием circuit breaker для каждого провайдера. Health checks позволяют своевременно выявлять сбои.

Сравним популярные стратегии fallback:

Мы выбираем priority с circuit breaker: он даёт лучший баланс производительности и устойчивости. MLOps отказоустойчивость таких систем требует мониторинга и автоматического восстановления.

Практическая реализация: код и конфиги

Рассмотрим ключевые компоненты на Python.

Fallback LLM Provider

from tenacity import retry, stop_after_attempt, wait_exponential, retry_if_exception_type
import anthropic
import openai

class ResilientLLMClient:
    def __init__(self):
        self.providers = [
            {"name": "openai", "client": openai.AsyncOpenAI(), "model": "gpt-4o"},
            {"name": "anthropic", "client": anthropic.AsyncAnthropic(), "model": "claude-3-5-sonnet-20241022"},
            {"name": "local_vllm", "client": openai.AsyncOpenAI(base_url="http://gpu1:8000/v1"), "model": "llama-3-8b"},
        ]
        self.circuit_breakers = {p["name"]: CircuitBreaker() for p in self.providers}

    async def generate(self, messages: list, **kwargs) -> str:
        last_error = None
        for provider in self.providers:
            cb = self.circuit_breakers[provider["name"]]
            if cb.is_open():
                continue  # провайдер отключён по circuit breaker
            try:
                result = await self._call_provider(provider, messages, **kwargs)
                cb.record_success()
                return result
            except Exception as e:
                cb.record_failure()
                last_error = e
                logger.warning(f"Provider {provider['name']} failed: {e}")
        raise RuntimeError(f"All LLM providers failed. Last error: {last_error}")

    @retry(
        stop=stop_after_attempt(3),
        wait=wait_exponential(multiplier=1, min=1, max=10),
        retry=retry_if_exception_type((openai.RateLimitError, openai.APIConnectionError))
    )
    async def _call_provider(self, provider: dict, messages: list, **kwargs) -> str:
        response = await provider["client"].chat.completions.create(
            model=provider["model"],
            messages=messages,
            **kwargs
        )
        return response.choices[0].message.content

Circuit Breaker Pattern

Наш circuit breaker следует классическому Circuit Breaker pattern.

from enum import Enum
import time

class CircuitState(Enum):
    CLOSED = "closed"  # нормальная работа
    OPEN = "open"  # провайдер отключён
    HALF_OPEN = "half_open"  # тестируем восстановление

class CircuitBreaker:
    def __init__(self, failure_threshold=5, reset_timeout=60):
        self.failure_threshold = failure_threshold
        self.reset_timeout = reset_timeout
        self.failure_count = 0
        self.last_failure_time = 0
        self.state = CircuitState.CLOSED

    def is_open(self) -> bool:
        if self.state == CircuitState.OPEN:
            if time.time() - self.last_failure_time > self.reset_timeout:
                self.state = CircuitState.HALF_OPEN
                return False
            return True
        return False

    def record_failure(self):
        self.failure_count += 1
        self.last_failure_time = time.time()
        if self.failure_count >= self.failure_threshold:
            self.state = CircuitState.OPEN
            logger.error(f"Circuit breaker OPEN after {self.failure_count} failures")

    def record_success(self):
        if self.state == CircuitState.HALF_OPEN:
            self.state = CircuitState.CLOSED
            self.failure_count = 0
            logger.info("Circuit breaker CLOSED - provider recovered")

Checkpoint и восстановление задачи

Для длительных задач (>1 мин) сохраняем прогресс в Redis:

@dataclass
class AgentCheckpoint:
    task_id: str
    step_index: int
    completed_steps: list[StepResult]
    state: dict  # произвольное состояние агента
    saved_at: datetime

class CheckpointManager:
    def __init__(self, storage: Redis):
        self.storage = storage

    async def save(self, checkpoint: AgentCheckpoint):
        key = f"checkpoint:{checkpoint.task_id}"
        await self.storage.setex(
            key,
            3600,  # 1 час TTL
            pickle.dumps(checkpoint)
        )

    async def load(self, task_id: str) -> AgentCheckpoint | None:
        key = f"checkpoint:{task_id}"
        data = await self.storage.get(key)
        return pickle.loads(data) if data else None

    async def resume_or_start(self, task: AgentTask) -> AgentCheckpoint:
        existing = await self.load(task.id)
        if existing:
            logger.info(f"Resuming task {task.id} from step {existing.step_index}")
            return existing
        return AgentCheckpoint(
            task_id=task.id,
            step_index=0,
            completed_steps=[],
            state={},
            saved_at=datetime.utcnow()
        )

Human escalation при неразрешимых ошибках

class EscalationPolicy:
    MAX_RETRIES = 3
    MAX_FALLBACK_ATTEMPTS = 2

    async def handle_failure(
        self, task: AgentTask, error: Exception, retry_count: int
    ) -> EscalationDecision:
        if retry_count < self.MAX_RETRIES and self._is_retriable(error):
            return EscalationDecision(action="retry", delay_seconds=2 ** retry_count)

        if isinstance(error, ToolUnavailableError):
            return EscalationDecision(action="use_fallback_tool", tool=self._get_fallback_tool(error.tool))

        # Эскалация к человеку
        await self.notify_human(task, error, retry_count)
        return EscalationDecision(
            action="escalate",
            message=f"Task {task.id} requires human intervention after {retry_count} retries: {error}"
        )

Этапы внедрения отказоустойчивости

Мы работаем по проверенному процессу:

1. Аналитика (1-2 дня): аудит текущей архитектуры, выявление единых точек отказа, сбор требований по RTO/RPO. Для многоагентной резервации важно определить критичные сценарии.
2. Проектирование (3-5 дней): выбор паттернов (retry, circuit breaker, checkpoint), прототипирование интеграции с провайдерами.
3. Реализация (2-4 недели): написание кода, настройка circuit breaker'ов, развёртывание checkpoint storage, настройка эскалации.
4. Тестирование (1 неделя): chaos testing — эмуляция отказов LLM API, падения инструментов, перегрузок. Измеряем p99 latency и процент успешных восстановлений.
5. Деплой и документация (2-3 дня): канареечный rollout, мониторинг всех слоёв, написание runbook'ов.

Дополнительно проводим нагрузочное тестирование с эмуляцией сбоев в каждом слое. Это позволяет выявить скрытые проблемы, например, несимметричные таймауты между разными провайдерами.

Сравнение слоёв отказоустойчивости

Сроки и что входит

Ориентировочные сроки: от 2 до 6 недель в зависимости от сложности системы и количества провайдеров. Стоимость рассчитывается индивидуально после аудита.

В результаты работы входит:

• Внедрение fallback LLM клиента с circuit breaker
• Checkpoint система на Redis (или другом хранилище)
• Политика human escalation с интеграцией в мессенджер
• Тестовый сценарий chaos testing
• Документация (runbook, архитектурная схема)
• Обучение команды (1 час)
• Гарантия на реализованные компоненты 3 месяца

circuit_breaker: failure_threshold: 5 reset_timeout: 60 half_open_max_requests: 1 monitor_interval: 10