Troubleshooting README（问题排查使用说明）

知识库位置：FDE Knowledge Base/03 Engineering/Troubleshooting/README.md

本目录包含问题排查方法论、13 篇 Playbook（问题排查手册），每篇统一采用：

Symptoms（症状）
↓
Impact（影响）
↓
Possible Causes（可能原因）
↓
Diagnostic Steps（诊断步骤）
↓
Fixes（修复方式）
↓
Prevention（预防措施）
↓
Escalation Criteria（升级条件）

与现有知识库的关联

Troubleshooting 页面不是孤岛，每篇都关联对应的 Concept（概念）、Decision Guide（决策指南）与 Checklist（检查清单），形成完整知识链：

Concept（概念）
↓
Decision Guide（决策指南）
↓
Checklist（检查清单）
↓
Troubleshooting（问题排查）

Severity Model（严重等级模型）

建议为 FDE 建立统一 Severity（严重等级）。

SEV-1

核心业务完全不可用。

例如：

Production outage（生产中断）
Critical security incident（严重安全事件）
Data corruption（数据损坏）
Payments completely unavailable（支付完全不可用）

要求：

Immediate Incident Response（立即事故响应）

SEV-2

核心功能严重受影响，但存在部分 Workaround（临时替代方案）。

例如：

Agent（智能体）整体成功率明显下降
CRM Integration（客户关系管理集成）大量失败
大量用户受影响

SEV-3

有限用户或非关键功能受影响。

例如：

某类 PDF 无法解析
某个 Tool（工具）偶发失败
部分 Query（查询）质量下降

SEV-4

轻微问题。

例如：

UI issue（界面问题）
Low-impact latency（低影响延迟）
Cosmetic bug（外观缺陷）

FDE Principle（FDE 原则）

Severity 应根据：

Business Impact（业务影响）

而不是：

Technical Complexity（技术复杂度）

一个技术上很简单的问题，如果导致客户无法下单，也可能是 SEV-1。

Evidence Pack（证据包）

在复杂问题升级之前，FDE 应尽量准备一个标准 Evidence Pack（证据包）。

包括：

Incident ID（事故编号）
Start Time（开始时间）
Environment（环境）
Affected Users（受影响用户）
Expected Behavior（期望行为）
Actual Behavior（实际行为）
Reproduction Steps（复现步骤）
Request ID / Trace ID（请求 ID/链路 ID）
Relevant Logs（相关日志）
Relevant Metrics（相关指标）
Recent Changes（最近变更）
Hypotheses Tested（已验证的假设）
Mitigation Attempted（已尝试的缓解）
Current Impact（当前影响）

这样可以避免升级给其他团队时只说：

系统坏了，你帮我看看。

更好的描述是：

Since 14:20 UTC,
P95 latency for /agent/run increased
from 4.2s to 17.8s.
（自 UTC 14:20 起，/agent/run 的 P95 延迟从 4.2 秒升至 17.8 秒）

82% of added latency comes from CRM API.
（82% 的新增延迟来自客户关系管理接口）

No application deployment occurred.
（期间没有应用部署）

CRM timeout rate increased from 0.5% to 18%.
（CRM 超时率从 0.5% 升至 18%）

这是高质量 FDE Troubleshooting 的重要能力。