自动化失败后怎么恢复？重试、补偿、幂等和断点续跑

直接回答：可靠恢复的顺序是：先分类错误，再重试；先保证幂等，再允许重放；有外部副作用时准备补偿；长流程保存检查点。^[1][2]

不是所有错误都应该重试

幂等是安全重试的前提

“请求没收到响应”不代表动作没有成功。创建订单、扣款、发消息等动作重复执行可能造成严重副作用。给一次业务动作分配稳定的idempotency key或唯一业务键，让重复请求返回同一结果或被安全拒绝。

补偿不是数据库回滚的复制品

跨系统流程通常无法真正ACID回滚。已经发出的邮件无法“撤回成没发生”，此时补偿可能是发送更正、取消订单、恢复库存或创建人工处理任务。

长流程保存检查点

每个阶段完成后记录状态、输出引用、版本和外部对象ID。重启时从最近已确认检查点继续，而不是重新调用全部模型和外部API。

给死信和人工处理留入口

超过最大重试次数后进入失败队列，保留原始上下文和错误原因，允许人工修改参数后重放。不要无限重试造成成本和外部接口压力。

注意：对有副作用的操作，千万不要在没有幂等保护的情况下使用“无限自动重试”。

资料核验日期：2026-08-09。产品功能、API、套餐、搜索规则与地区可用性会变化，正式使用前请再次查看官方页面。

参考来源

1. AWS Step Functions：Handling errors in workflows（official/primary，核验于 2026-08-09）
2. Stripe API：Idempotent requests（official/primary，核验于 2026-08-09）

更新记录

• 2026-08-09：完成官方/一手来源核验、结构化撰写与发布边界检查。