构建健壮错误捕获与自动恢复系统关键在于分层设计、明确责任边界及错误“可观察、可决策、可回退”，需贯穿架构、编码、测试与运维全过程，包含操作级/事务级/系统级三层拦截、类型化错误建模、匹配本质的恢复策略和可观测性闭环。
构建健壮的错误捕获与自动恢复系统，关键不在堆砌工具，而在于分层设计、明确责任边界和让错误“可观察、可决策、可回退”。它不是一次配置就能完成的事，而是贯穿架构、编码、测试和运维的持续实践。
分层拦截：从操作到系统逐级设防
单一错误处理点容易成为单点故障。应按作用域划分三层机制：
- 操作级：对单次调用做细粒度控制。比如网络请求失败时，先判断是否为可重试错误（如超时、503），再按指数退避+抖动策略重试；不可重试错误（如401、404）则直接终止并透出语义化信息。
- 事务级：保障一组关联操作的最终一致性。例如AI代理执行多步任务时，某一步失败需触发补偿逻辑（如已发消息需撤回、已写缓存需清理），而非简单抛错中断。
- 系统级：应对进程崩溃、资源耗尽等严重异常。通过进程隔离（如Lunatic的独立WASM实例）、心跳监控和自动重启策略，确保局部失败不影响整体服务可用性。
错误建模：让错误成为类型系统的一部分
避免靠字符串匹配或 instanceof 判断错误。应将错误分类前置到设计阶段：
- 定义清晰的错误类型体系，如 LangChainJS 的 AuthenticationError、RateLimitError，或 Puter 的百种 APIError 码，每类对应明确的恢复动作。
- 在语言支持时采用显式错误类型（如仓颉的 Result
或 Rust 风格枚举），强制调用方处理失败路径，而非依赖运行时 catch 捕获。 - 错误对象必须携带上下文：时间戳、操作ID、输入摘要、上游服务名——这些是定位根因和触发自动恢复的关键字段。
恢复策略：不是所有错误都该重试
盲目重试会放大问题。恢复动作需匹配错误本质：
- 对瞬时故障（网络抖动、临时限流），用带熔断的重试：设置最大尝试次数、退避间隔、失败率阈值，超限时快速失败并降级。
- 对状态不一致（如数据库写入成功但消息队列发送失败），启用 Saga 模式或本地事务表，通过异步补偿保证最终一致。
- 对不可恢复错误（权限不足、参数非法），立即返回结构化响应，并记录可审计的操作日志，供后续人工介入。
可观测性闭环：让恢复动作可验证
没有监控的恢复是盲区。必须建立反馈环：
- 所有错误捕获点统一打点：记录错误类型、发生位置、是否触发恢复、恢复是否成功。避免只记“error occurred”这种无意义日志。
- 健康探针暴露恢复能力指标：如“过去5分钟重试成功率”、“降级功能启用次数”，接入告警系统，异常波动即触发人工核查。
- 在测试环境注入典型错误（如模拟存储拒绝、模型返回空结果），验证恢复路径是否真实生效，而非仅代码存在。
