直接回答：分层恢复：瞬时错误（限流、超时）原地指数退避重试；参数错误把错误信息结构化喂回模型让它修正后重试（self-correction）；步骤级失败回退到上一个检查点换路径重试；任务级失败降级——输出部分结果加未完成说明，或转人工。前提是所有副作用操作幂等或可补偿，否则重试本身就是灾难。

展开解析：设计要点：错误分类是第一位的——工具返回里区分可重试（429、503）与不可重试（参数非法、资源不存在），模型对前者等、对后者改；self-correction 给模型的错误上下文要含错因与建议修法，只扔堆栈模型只会原样重试。检查点机制：多步任务每个里程碑持久化状态（已完成步骤、中间产物），崩溃后从检查点续跑而非从头；副作用操作设计成“准备-提交”两段，失败回滚走补偿动作（删除已建资源、撤销已发消息），Saga 模式在 Agent 场景同样适用。重试预算要全局管控：单工具重试上限、单任务总步数上限、总成本熔断三层都设，防“锲而不舍地错下去”。降级策略提前定义：任务跑了 80% 卡住，是把中间结论整理输出还是整体放弃，要有明确规则。最后，失败 trace 全量留存——哪类任务爱失败、失败在哪一步，是迭代 Agent 最重要的数据。

追问方向：如何避免重试导致的重复副作用？恢复策略本身如何测试？

（约 450 字）