前面我们让它"能干活"，现在要让它"不掉链子"前八篇我们把 Agent 从"能调工具"一路做到"多智能体协作"——会查、会记、会分任务、会组团。但随手写的"能跑"，离"能上线"还差一关：遇到偶发故障不会崩、出了问题查得清、限流能重试、超时能兜底。真实世界里，上游接口会限流、会抽风、会超时；模型会有 500；token 会没；规则会失效。一个只会"顺利时跑"的 Agent，在真实业务里等于没法用。这篇我们把地基补瓷实——给 Agent 做加法：可靠（重试/兜底）、可测（上限/护栏）、可观察（日志）。三个硬指标：可靠、可测、可观测可靠（Reliable）：出了问题不崩——限流自动重试、失败兜底、超时有护栏；可测（Testable）：有明确的输入输出和护栏（轮数上限、参数校验），能对着测、对结果有预期；可观测（Observable）：每一步工具调用、每次失败重试、每轮耗时都有日志，出问题能定位。这三者是"玩具 Agent"和"生产 Agent"的分水岭。我们逐个用代码落地。1) 工具调用包装成safe_tool：重试 + 兜底最容易被各种外部故障打爆的是工具调用。我们把工具包一层"安全带"：