AI Agent 服务崩了怎么办？自监控、重启策略和故障恢复流程

AI Agent 部署在 VPS 上，最怕半夜收到服务不可达的报警。不管是跑 Ollama 本地大模型，还是用 n8n 跑自动化工作流，服务崩了是常有的事。主机选经常遇到开发者问，为什么 Agent 跑着跑着就挂了，怎么才能自动恢复？这就需要一套完整的监控、重启和故障恢复机制，不能只靠人工盯着屏幕。

AI Agent 服务崩溃原因与日志排查

服务挂了别急着重启系统，先搞清楚“死因”。AI 类应用常见的崩溃原因通常集中在资源耗尽和外部 API 超时上。

内存溢出（OOM）与资源限制

跑本地模型（如 Llama 3 或 Mistral）对内存要求极高。如果 VPS 内存不足，Linux 的 OOM Killer 会直接杀掉进程，导致 Docker 容器瞬间消失。即使是调用 API 的 Agent（如 Claude Code），如果处理的数据量过大，Python 或 Node.js 进程也可能因为内存飙升而被系统终止。

查看 Docker 容器日志

定位问题最快的方法是看日志。不要只看控制台输出，要深入查看 Docker 的标准输出。

docker logs –tail 100 container_name

docker logs -f container_name

如果看到 `CUDA out of memory`，说明显存或内存不够；如果是 `Connection timeout`，多半是网络或 API Key 的问题。日志里如果出现 `Traceback` 或 `Exception`，那就是代码逻辑报错，容器可能退出了。

Docker 部署 AI Agent 的重启策略

对于 VPS 上的 AI 服务，不能指望进程一直不死，要指望它“死了能立刻复活”。Docker 的重启策略是第一道防线。

配置 Restart Policy

在创建容器时，必须带上重启参数。对于 AI Agent 这种长期运行的服务，推荐使用 `unless-stopped`。

docker run -d \
–name my-ai-agent \
–restart unless-stopped \
your-image-name

`unless-stopped` 的意思是：除非你手动停止容器，否则无论它怎么退出（崩溃、报错、Docker 守护进程重启），Docker 都会自动拉起它。这比 `always` 更友好，方便你维护时暂时停机。

更新现有容器的重启策略

如果你之前创建容器时忘了加重启策略，不用删掉重建，直接用 `update` 命令修改。

docker update –restart unless-stopped container_name

改完之后，可以手动杀掉进程测试一下：`docker kill container_name`，几秒钟后看它是否自动起来。

构建自监控与故障自愈脚本

Docker 重启策略只能解决进程退出的问题。如果 Agent 进程还在，但假死了（比如 Web 界面打不开，API 无响应），Docker 是察觉不到的。这时候需要额外的监控脚本。

编写简单的健康检查脚本

写一个 Shell 脚本，定期 curl 服务接口。如果返回码不是 200，就强制重启容器。

#!/bin/bash
CONTAINER_NAME="n8n"
PORT="5678"

STATUS=$(curl -s -o /dev/null -w "%{http_code}" http://localhost:$5678/healthz)

if [ "$STATUS" != "200" ]; then
echo "Service down, restarting $CONTAINER_NAME…"
docker restart "$CONTAINER_NAME"
else
echo "Service is running."
fi

将这个脚本保存为 `check_ai_agent.sh`，利用 `cron` 定时任务每 5 分钟跑一次。

crontab -e

*/5 * * * * /bin/bash /root/scripts/check_ai_agent.sh >> /var/log/ai_monitor.log 2>&1

配置 Systemd 守护进程

如果不用 Docker，直接用 Python 或 Node.js 跑 Agent，建议使用 Systemd 管理。它在服务崩溃时能自动拉起，还能配置日志轮转，防止日志文件占满硬盘。

创建 `/etc/systemd/system/ai-agent.service`：

ini
[Unit]
Description=AI Agent Service
After=network.target

[Service]
User=your_user
WorkingDirectory=/path/to/your/app
ExecStart=/usr/bin/node /path/to/your/app/index.js
Restart=always
RestartSec=10

[Install]
WantedBy=multi-user.target

运行 `systemctl daemon-reload` 和 `systemctl enable –now ai-agent` 即可生效。

老鸟叮嘱

部署 AI Agent 时，有几个坑是新手必踩的。不要用 root 用户跑 Docker 容器，如果容器被攻破，攻击者直接拿宿主机权限。API Key 别硬编码在 Dockerfile 里，用环境变量或 Docker Secrets 传入，否则 `docker inspect` 就能泄露你的密钥。监控日志文件大小，AI Agent 运行日志增长极快，建议配置 Docker 的 log-driver 或者用 logrotate，防止 VPS 硬盘被写满导致系统崩溃。

FAQ

Q1: AI Agent 频繁重启，一直处于 Restarting 状态怎么办？
A: 这通常是启动失败。查看 `docker logs container_name`，大概率是配置文件错误、端口被占用或者 API Key 无效。先解决启动报错，容器才能稳定运行。

Q2: Ollama 跑大模型经常闪退，是 VPS 配置不够吗？
A: 很大可能是内存不足。检查 `dmesg | grep -i kill`，如果有 Out of memory 记录，就是 OOM Killer 杀了进程。建议开启 Swap 分区，或者换更小参数量的模型。

Q3: Docker 容器自动重启会丢失数据吗？
A: 只要数据是通过 `-v` 挂载到宿主机或者 Docker Volume 的，容器重启不会丢失数据。但如果没有挂载卷，容器内部生成的文件（如 n8n 的 SQLite 数据库）在容器重建时会丢失。

Q4: 怎么知道服务是真的挂了还是网络不通？
A: 在 VPS 本地执行 `curl http://localhost:端口`。如果本地能通，外网不通，那是防火墙或安全组没放行端口；如果本地也不通，那就是服务真崩了。

Q5: n8n 或 Dify 这种工具，数据库挂了会影响 Agent 运行吗？
A: 会。这些工具严重依赖数据库存储工作流配置和执行记录。如果数据库（如 Postgres）崩溃，前端界面可能打不开，任务也无法执行。建议将数据库也配置 `–restart unless-stopped`，并做好定时备份。

做好 AI Agent 的运维，核心在于“让它自己救自己”。配置好 Docker 重启策略，写几行简单的监控脚本，就能解决 90% 的半夜报警问题，把精力留给更重要的业务逻辑开发。