REVISE：智能体工作流在线修订中的有效性引导恢复

代理修订暴露了一个基本的正确性——并发执行期间的效率权衡。放弃正在进行的工作可以保留最新版本的正确性，但会浪费可能仍然有效的进展，而重用先前的工作可以保留效率，但有可能将过时的状态传播到输出和工具效果中。现有的恢复策略通过粗粒度策略以不平衡的方式解决了这种权衡：它们要么通过允许可能陈旧的工作继续下去来提高效率，要么通过重新启动工作流程或从最早的冲突重新计算线性后缀来提高正确性，从而丢弃不受影响的进度。我们提出了 \textsc{Revise}，这是一种有效性引导的运行时，用于结构化代理工作流程中的细粒度恢复。当修订到达时，\textsc{Revise} 首先将其增量与记录的数据和控制依赖项相交，并通过部分执行的 DAG 传播产生的影响，以识别受影响的工作。然后，它会停止无效的工作，保留最早冲突之后已确定的有效性进展，并仅重新计算受影响的区域。不完整的出处会保守地扩大恢复范围，而重用的结果会在提交之前重新验证。对真实编码代理跟踪的分析显示了在线恢复机会：在传递排队的后续消息之前，118 个会话保留可观察的工作；在 167 个重叠的助理响应中，入队到完成的重叠在 p95 处达到 56.55~s。在 300 个具有挑战性的修订/提交执行中，\textsc{Revise} 匹配最新版本的预言机，没有过时的输出或效果。在使用 Qwen3-14B 的未修改的 LangGraph 和 LLMCompiler 应用程序上，相对于完全重新启动，模型调用减少了 40.6--56.0\%，相对于后缀重新计算，模型调用减少了 31.3--43.6\%。在服务压力下，它进一步将修订正确完成令牌减少了 13.26%，并将 SLO 吞吐量提高了 3.07--5.43%。