033_FDE现场排障：大模型Agent生产环境常见故障快速排查方法论.docxVIP

?#大模型线上排障实战指南：FDE驻场排雷手册

摘要：随着大模型应用（LLMApps）从POC走向生产，驻场交付工程师（FDE）面临的挑战已从传统的“服务器部署”转变为“智能行为调试”。线上环境复杂多变，幻觉、召回失效、工具调用崩溃等问题频发。本文将结合实战经验，梳理FDE在处理五类核心故障时的排查步骤，并重点剖析可观测性日志的设计要点，帮助工程师在高压现场快速定位根因。

一、引言：FDE角色的转变

在传统的软件交付中，FDE主要关注网络、服务器和基础应用配置。而在大模型时代，FDE必须成为“半算法半工程”的专家。模型输出具有概率性和不确定性，这意味着“代码没报错”不代表“系统没问题”。

线上排障的核心逻辑不再是单纯的ExceptionCatch，而是“输入-处理-输出”全链路的语义与逻辑对齐。本文将聚焦五个高频故障场景，提供标准化的排查SOP（标准作业程序）。

二、五大核心故障排查步骤

1.幻觉（Hallucination）：言之有据还是信口开河？

现象：模型回答自信但事实错误，引用了不存在的文档、数据或API。

排查步骤：1.溯源检查（GroundingCheck）：*检查Prompt中是否明确声明了“不知道就说不知道”。*若是RAG场景，检查召回的Context是否真的包含答案。如果Context里有，模型答