ADR-0003：checkpoint 采用节点级粒度

• 状态：已采纳
• 日期：2026-09

背景

崩溃恢复需要决定"多久存一次状态"。候选：每个 LLM 调用后、每个节点完成后、每轮循环后、定时快照。

决策

每个节点完成后写一次：save_node（执行记录）+ save_snapshot（state + statuses）。

理由

• 一个节点内部可能有多轮重试与修复，但对外是原子的——中间态没有恢复价值；
• 单次快照 < 200KB，一次运行 13 次写入，SQLite 完全无压力；
• 恢复粒度"整节点重跑"是可接受的：节点的副作用（工具调用）已经走缓存，模型调用有幂等前提。

代价

节点内部失败（例如辩论第 2 轮崩了）会整节点重跑，最坏多花一次辩论的成本。 对这个项目来说可以接受；如果单个节点成本很高，应该把循环体拆成独立节点。

恢复语义的两个硬要求

1. 已完成节点不再执行：否则恢复等于重跑，钱白花；
2. 失败节点及其下游必须重置为 PENDING：否则它们卡在终态， 既不被调度，又让下游永远等不到依赖，整个 run 静默停摆（这个 bug 实际发生过，已有测试覆盖）。