文档摘要

4.4 生产故障排查与应急处置 清单再严密（4.3），生产事故也躲不开——区别只在于事故频率和恢复速度。我管过两年 vLLM 生产服务，经历过凌晨被叫起来救火，也见过事故从「告警闪一下」恶化到「整集群雪崩」的全过程。这一节不写「报错对照表」那种条目堆叠（速查附录那种东西救不了真事故），而是把生产里真正高频、真正让人头大的几类故障，按「现象 → 诊断 → 处置 → 根因修复」的实战流程讲透。每个故障我都尽量给真实案例，让你能对号入座。 读完之后，你应该能在事故现场（凌晨 3 点、领导盯着、用户在投诉）快速完成「现象归类 → 指标定位 → 应急止血 → 事后根因」这套动作，而不是慌乱地乱试参数。故障排查的本质是「快速收敛假设」，这一节教的就是怎么收敛。

---