调错工具（工具路由型故障）：
排查工具描述（Description）是否清晰无歧义。必要时关闭动态路由，对单一工具做隔离回归测试，区分是决策逻辑问题还是工具定义问题313。
参数不合法：
采用带错误反馈的重试（Error-Informed Retry）。不要无脑重试原参数，而是将具体的错误信息（如“缺少必填字段”或“类型错误”）连同原始请求送回给 LLM，让其自行修正参数22。
写操作超时：
区分超时根因。如果是外部 API 或数据库连接池耗尽，需在运行时增加并发配置或重写技能（如用带连接池的 HTTP 库替代 curl）；在协议层为步骤添加重试机制（如指数退避 backoff_ms）1。同时为所有技能添加严格的超时参数（如 --timeout）防止僵尸进程1。
4. 如何证明一次 Prompt、模型或检索配置调整带来了改善？
建立量化评估体系：摒弃“凭感觉调优”，使用 RAGAS 等框架量化评估检索层的 Recall@K、生成层的 Faithfulness（忠实度）和 Answer Relevancy（答案相关性）46。
Prompt 回归测试：准备包含标准样例、历史缺陷样例和高风险样例的固定测试集。对比新旧 Prompt 在主干能力、边界场景上的表现，确保“修 A 不坏 B”27。
A/B 对照与灰度发布：在流量允许时开启 A/B 测试；上线新模型或配置时，先切 1%-5% 的真实流量作为“金丝雀”，盯住质量、延迟、成本等红线指标，正常后再逐步放量79。
5. 模型供应商限流或不可用时，如何排队、降级和切换？
架构抽象：在系统底层建立模型网关（抽象层），使切换和回滚模型仅变为配置变化，而非工程重构9。
排队与限流应对：针对临时服务错误（如 HTTP 429, 500, 502 等），实施指数退避重试策略（Exponential Backoff）22。
降级策略：当主模型不可用或响应过慢时，自动降级到备用模型（如从 GPT-4o 降级到开源小模型或国产模型），或者在 RAG 场景中降低 Top-K 数量、跳过 Rerank 环节以换取可用性926。
6. 知识库和工具调用如何做租户隔离、权限校验与审计？
租户隔离与权限：在检索阶段强制注入元数据过滤（如 Tenant_ID、部门权限），确保向量检索和全文检索仅在授权范围内进行。
审计与可观测性：
强制要求 Agent 暴露 /trace/{trace_id} 端点，记录完整的执行链路（包括 LLM 的输入输出脱敏数据、工具调用的 Request/Response）11。
集成 ELK 堆栈进行日志收集，使用 OpenTelemetry 采集跨度，确保所有外部系统交互的 Header（如 X-Request-ID）动态生成且可追溯，严禁硬编码1011。