可观测与问题排查

本场景指导运营方、模型提供方和调用方先判断问题属于调用、模型服务、云上部署、异构卡纳管资源还是计量，再进入对应日志和监控页面，避免在错误子系统中反复搜索。

适用角色

• 在各自权限范围排查问题的平台用户、模型提供方和平台运营方

场景目标

• 问题具备角色、时间范围、模型或资源编号和可复现现象。
• 能把问题定位到调用、部署、作业、节点、设备或计量层。
• 日志、事件、监控和用量数据使用相同时间范围进行关联。
• 排障材料脱敏且足以交接给下一责任方。

开始前准备

1. 记录发生时间、账号角色、租户、子系统和操作入口。
2. 记录脱敏后的模型、部署、实例、作业或请求标识。
3. 区分“不可见、创建失败、运行失败、调用失败、性能下降、用量异常”。
4. 不在工单或群聊中发送完整 Prompt、响应、Token、密钥或内部 接口地址。

问题分流

现象	首要入口	参考手册
模型 API 调用失败或响应异常	我的调用 / 客户调用日志	调用日志、客户调用日志
调用成功率、时延或 Token 异常	调用分析	我的调用分析、客户调用分析
云上部署失败或不可访问	我的部署详情、事件和监控	我的部署
异构卡纳管作业排队或失败	作业监控、实例事件和日志	作业监控、模型实例
节点或加速卡异常	节点统计、设备监控	节点统计、设备监控
配额、用量或金额异常	配额、计量明细和模型用量	异构卡纳管：资源计量与监控、模型的消费与收益

通用排查顺序

1. 复现并记录第一条错误，不要只记录最后的连锁错误。
2. 确认账号、租户、地域、模型和时间筛选正确。
3. 从用户可见状态进入事件和日志，再进入节点或设备监控。
4. 对调用问题同时核对请求日志和模型服务状态。
5. 对资源问题同时核对作业状态、节点容量和设备健康。
6. 对用量问题先核对真实运行记录，再核对计量明细和账期汇总。

判断故障层级时，使用 异构卡纳管监控概览在同一时间范围内对比集群、节点、设备和作业信号。

完成检查

用途： 以下检查是当前功能任务的退出条件，用于判断操作结果是否可观察、可复核，以及是否可以继续当前场景的下一步。它不是操作步骤的重复；任一项不满足时，请按下方“常见失败分支”继续排查。

检查项	通过标准
1	已明确问题层级和当前责任方。
2	错误时间与日志、事件、监控时间一致。
3	已确认是否影响单个请求、单个实例、单个租户或整个平台。
4	修复或规避后已用相同条件重新验证。
5	交接材料包含入口、步骤、期望、实际、时间和脱敏证据。

常见失败分支与误区

• 只看汇总监控，不查看失败事件或请求日志。
• 时间范围、地域或租户筛选不一致，导致数据无法对应。
• 把权限不可见误判为资源不存在。
• 把配额不足、账户额度不足和集群容量不足混为一类问题。
• 复制完整请求或凭据作为排障材料。