AI Agent出现生产环境日志缺失如何排查
当业务侧发现 AI Agent 的调用链、任务执行记录或异常信息不完整时，应该从哪些环节入手排查，才能快速判断问题出在采集、传输、存储还是展示层？
从日志链路全流程定位缺失点
可以按日志产生、采集、传输、落库、查询几个环节逐层检查。先确认 Agent 进程本地是否真实输出了日志，再检查采集器或 Sidecar 是否有丢弃、过滤、缓冲失败的情况，接着查看日志传输组件是否出现网络中断、队列积压或限流，存储侧则要确认索引、分区、保留策略是否正常，查询层需要核对检索条件、时间范围和字段映射是否正确。通过这条链路逐段定位，通常可以快速找到缺失发生的位置。
在流量升高、任务密集或模型推理耗时增加时，AI Agent 的部分日志突然变少或断档，这种现象通常与哪些系统瓶颈有关？
高并发下常见的日志丢失诱因
高并发场景里，日志缺失常见原因包括进程内缓冲区过小、异步写日志来不及刷出、采集端处理能力不足、传输链路拥塞、日志平台写入压力过大等。若 Agent 使用批量上报，还可能因为批次过大导致超时或被丢弃。建议结合 CPU、内存、磁盘 IO、队列长度、写入失败率和重试次数一起观察，判断是否存在资源瓶颈或配置阈值不合理的问题。
当日志平台里看不到某些记录时，我该如何区分是 Agent 代码层没有输出，还是采集与传输过程中被拦截、过滤或丢失了？
通过对照本地与链路节点日志进行区分
最有效的办法是做分层对照。可以先在 AI Agent 所在机器上查看本地文件日志、标准输出或容器内日志，确认记录是否存在。如果本地可见而平台不可见，问题多半出在采集、传输或存储环节；如果本地也没有，那就更可能是代码埋点、日志级别、采样策略或异常分支没有正确输出。还可以在采集器、消息队列和日志平台的各节点补充临时探针日志，进一步缩小范围。
如果日志不是持续丢失，而是间歇性缺一部分，哪些配置参数最值得优先核查，避免被采样、过滤或异步刷新策略影响？
重点核查采样、缓冲、刷新与过滤配置
需要重点关注日志级别、采样率、过滤规则、异步写入队列大小、flush 间隔、批量发送阈值、重试次数和超时时间等参数。若启用了按条件采样，某些请求可能被主动舍弃；若异步队列过小，峰值时会出现积压和丢弃；若过滤规则配置过严，特定字段或日志类型也可能被屏蔽。核对这些参数是否在发布后被修改，是排查间歇性缺失的重要步骤。