3.6 线上问题排查实战：让你的 AI 服务 7x24 小时稳定运行

3.6 线上问题排查实战：让你的 AI 服务 7x24 小时稳定运行

导语：欢迎来到第三周的终极实战！我们已经成功地将“旅小智”部署到了云端。但是，部署成功只是一个新的开始。在真实的生产环境中，系统会在你意想不到的时间、以你意想不到的方式出现问题。当凌晨三点，告警短信将你从睡梦中唤醒，告诉你 AI 服务正在大量报错时，你该如何应对？本章将是一次模拟的“线上消防演练”。我们将抛开所有新功能的开发，专注于每一个生产环境工程师都必须具备的核心能力——问题排查（Troubleshooting）。我将带你进入“作战室”，模拟几个最典型的线上故障场景，并像一位经验丰富的老兵一样，一步步带你分析日志、追踪链路、定位根因，并最终解决问题，让你的 AI 服务恢复稳定。

目录

1. “On-Call”工程师的心态：从慌乱到从容
   • 第一原则：止血优先，恢复服务是最高目标
   • 第二原则：保留现场，先快照后分析
   • 第三原则：由表及里，从监控到日志，再到代码
2. “作战室”场景一：P0 级告警！API 延迟飙升，用户反馈 AI “卡死了”
   • 步骤 1：看“心电图”——检查应用性能监控 (APM)
     • 打开 Datadog/Langfuse，查看服务