阿里云 OpenSearch-LLM 智能问答故障的一天

上周五使用阿里云开放搜索问答版时，故障了一整天，可能这个服务使用的人比较少，没有什么消息爆出来，特此记录下这几天的阿里云处理过程，不免让人怀疑阿里云整体都外包出去了，反应迟钝，水平业余，却又很在意 KPI。

1. 什么是智能开放搜索 OpenSearch

在抨击阿里云服务之前，还是要肯定 open search 问答版挺好用的，解决了公司想要根据内部知识内容搭建大模型，进行内部 AI 的数据问答，在这之前我也试用过模型服务灵积的定制模型，但作为传统型公司，训练模型所需要的语料库根本没有，公司的诉求更多是给一堆内部文档，然后对此进行提问回答，省去过往人工查找，还能将内部知识进行概括总结，给出所属的知识来源文档，所以要想生成基于问答形式的语料库不太现实。或者还有更好的方法我还没探索出来吧。

基于阿里巴巴自主研发的大规模分布式搜索引擎搭建的一站式智能搜索业务开发平台，目前为包括淘宝、天猫在内的阿里集团核心业务提供搜索服务支持。通过内置各行业的查询语义理解、机器学习排序算法等能力，以及充分开放的文本向量检索引擎能力，助力开发者快速搭建智能搜索服务。

OpenSearch LLM 智能问答版

2. 故障过程

因为还属于开发阶段，出于成本考虑，我们的实例并不是一直运行的，LLM 模型的费用分为实例资源运行费+调用处理费，实例资源运行时按小时 0.2 元/小时，每次问答调用差不多 0.13 元/次。

早上新建了实例后，通过 Python 将结构化后的文档数据通过 API 传到实例中，发现怎么都传不上去，返回参数正常，通过控制台也不行，显示上传成功，但不展示数据内容，只有空 Id 列表，以为是实例创建错误，先自己进行尝试。

1. 先销毁了几次实例，创建了好几个不同 App 名称的实例进行试验，都不行

2. 怀疑自己运行了十多次的 Python 代码有问题，可能是官方 sdk 库更新，重新下载了官方文档代码，发现还不行

3. 切换了网络，切换了数据集，切换了控制台，都不行

3. 提报工单

总结了下我这里应该是没问题，有点怀疑是阿里云的问题，索性提个工单吧，看看工程师怎么说。

一直到下午五点多，阿里云才开始正式处理，不知道中间这两个小时在干什么，可能他们觉得是用户的问题，什么参数没有配置对，等五点半开始看的时候发现真的崩了，五点半开始给我打了四五个电话，都是阿里云的工程师直接联系我，让提供上传的文档，截图，代码，API 开发过程，想要复现问题，但我不理解直接工程师本地复现不就行吗。

经过一个多小时，我都下班回家了，工程师又打来电话让试下有没有恢复，确实是好了，从早上崩溃到工单提报处理也有五六个小时的时间，真正问题定位处理用了一个多小时，在我们过往线上问题处理中，一个小时才能定位处理的事故，已经很严重了。

4. 退钱退钱

在周五提报工单时一直没有销毁实例，阿里云工程师打电话时也说先别销毁，想通过这个实例来复现问题，等晚上处理结束打电话通知我好了以后，我问了下今天宕机一天的费用怎么办，服务虽然不能用，但费用一点也没少扣，工程师说后续可以补偿，但也就没了后续。。。

周一想起来这事发现还没人联系我，就在之前的工单里继续询问，虽然没有多少钱，不过就这么点钱你们也不想处理，我只能自己催了。

中途又让我自己导出账单，自己进行核算，就暴脾气突然上来了，好好说就拖着不给好好解决，6 块钱的代金券也是要了一整天，下午六点才确认回复，六点多连着打了两个电话让我关闭工单，可能是从周五一直拖到现在，影响到平均处理时长的考核 KPI 吧。

5. 说实话

上个月阿里云的大故障也不知道后续怎么处理的，反正没有我公司什么事，公司在阿里云上有三万多的资源，但用户量不大所以没有核算什么损失，阿里云也没有一点点动静，也是因为这些资源，使得很多云服务都得继续用阿里云的，可以说是深度绑定。这次故障之前也有很多小问题，提个工单也不怎么处理，后来索性点投诉才能继续推进。

这次问题让我感觉到阿里云处理能力挺差的

1. 像 AI 这类新业务没有主动检测预警：正常这些大的业务板块都会有服务检测，监控接口或者日志等数据，在用户感知之前就能同步响应到阿里云后台，这次崩了这么久也没当回事，应该就是没什么人用，提了工单也没当回事，第一反应是用户的使用问题，后来发现真的报错了才慌了（后来多次打电话时语气有点焦急）

2. 线上事故处理能力差：在工单里我已经很详细的描述了问题，但他们还是啰嗦的要了各种截图，文件，代码来复现，其实自己连上去就可以操作，反复咨询用户只会让人觉得很不专业。

3. 用户补偿机制不完善：或者说国内这些厂商也没想着补偿用户，发现问题第一反应是：就你事多，我们已经给你处理了，你还想怎么样呢，如果我不去要补偿，可能也不会再去联系我，毕竟多一事不如少一事。