LLM-as-a-Judge评分忽高忽低？位置偏差、长度偏差与校准排查
评审模型会受答案顺序、长度、措辞、自身模型偏好和Rubric模糊影响。
Code Interpreter临时文件为什么泄露到其他任务？工作目录与生命周期排查
多个任务复用容器、工作目录或缓存时，前一个用户生成的文件可能被后续任务读取。
Browser Agent遇到验证码和登录循环怎么办？会话、人工接管与站点策略排查
浏览器Agent在验证码、MFA、会话过期和反自动化策略前可能不断刷新或重试。
多Agent协作时为什么总是传递旧上下文？状态版本与消息边界排查
子Agent读取的状态可能是任务开始时快照，而不是其他Agent刚更新的最新结果。
并行Sub-Agent为什么让Token成本暴涨？并发、上下文复制与预算排查
并行执行会复制System Prompt、工具Schema、历史和检索上下文，Agent数量翻倍时成本可能超过线性增长。
Agent从Checkpoint恢复后为什么重复调用工具？步骤提交与副作用幂等排查
Checkpoint保存时间点不正确时，恢复后会重新执行已经产生副作用的工具。
Human-in-the-Loop审批超时后任务丢失？等待状态与恢复令牌排查
人工审批可能持续小时或数天，不能依赖HTTP连接、内存Future或临时线程等待。
HNSW索引内存为什么越来越高？参数、Payload索引与副本排查
向量数量增长后，HNSW图、向量数据、Payload索引、副本和缓存都会消耗内存。只调整一个参数往往无法解决。
向量量化后Recall突然下降？Scalar、Product与Binary Quantization排查
量化能够降低内存和提升速度，也会引入距离误差。下降是否可接受取决于向量分布、候选数和重排策略。
GraphRAG检索结果为什么又多又乱？实体合并、社区摘要与路径约束排查
GraphRAG能够沿关系扩展证据，也容易因为实体重复、关系过密和无边界遍历返回大量噪声。
Agentic RAG为什么在多个检索工具之间死循环？终止条件与进度检测排查
Agent在向量检索、网页搜索和数据库工具之间反复调用，通常是缺少可验证目标、进度状态和工具调用预算。
RAG答案有引用但引用根本不支持结论？Claim-Evidence校验排查
真实存在的文档编号并不意味着结论被该文档支持，需要进行Claim级证据校验。
上下文压缩后关键条件消失？数字、例外条款与表格保真排查
压缩器可能保留主结论，却删除适用范围、例外、时间和单位，导致绝对化错误。
RAG查询改写后把关键实体改错了？人名、编号与否定词保护排查
查询改写可能修改产品编号、人名、日期、否定条件和专业术语，导致检索方向错误。
RAG查询改写后数字、缩写和型号消失？Token清洗排查
型号、错误码、版本和缩写是技术检索最重要的Token，清洗或改写阶段删除它们会同时损害稀疏和稠密检索。
Spring AI应用Docker健康检查正常，为什么真实模型调用全部失败？
进程健康只能证明容器存活，不代表凭证、网络、额度和指定模型可调用。
AI应用上线后Prompt版本混乱？配置漂移、缓存与多实例排查
不同Pod使用不同Prompt缓存、配置中心版本或模型别名，会导致同一代码版本行为不一致。
大模型单元测试为什么时好时坏？温度、模型漂移与断言方式排查
直接断言大模型完整字符串，会因采样、模型更新、提示词和检索变化产生脆弱测试。
黄金测试集更新后历史分数不能比较？数据集版本与基线漂移排查
不断补充样本后，新旧平均分不能直接比较，因为样本难度和分布已经变化。
Spring WebFlux请求超时后AI任务为什么还在运行？
前端或网关超时只终止HTTP响应，不一定向上游模型、工具或队列传播取消信号。