GP-01 · GPU 故障换卡台账

① 场景引入

一、这件事现在是什么样

智算集群运维（GPU 与高速网络） · 真实业务触发

月度备件盘点：本月换了 14 张 H800 备件卡，组长被主任问「这 14 张哪些是真坏、哪些是误换、送修检测结果出来没有」—— 台账在三个工程师各自的电脑里，格式都不一样。

二、痛点 · 每条都有来源

1商用 GPU 服务器年均故障率约 18.7%、单次故障平均处置超 90 分钟 —— 换卡是高频事件，值得一本正经台账依据· 商用 GPU 服务器年均故障率约 18.7%、单次故障平均处置超 90 分钟 —— 换卡是高频事件，台账值得单独建2Xid 79掉卡 / 48/63/94 ECC / 31 客户代码的判读口径靠工程师个人经验，「隐性降速不中断任务最难查」—— 误判换卡的事每个老手都干过依据 · 大规模 GPU 集群运维实践：Xid 79 掉卡（需换卡）、Xid 48/63/94 不可纠正 ECC、Xid 31 多为客户代码问题；隐性降速（PCIe 降速、GPU 降频）不中断任务最难查 —— 实测 PSU 问题导致 SM Clock 从 2GHz 掉到500MHz、性能降至 1/4 而监控无感3A100/A800 停产后第三方芯片级维修成本仅为换新的 1/3 —— 换新还是送修的比价，从来没人按台账算过依据 · A100/A800 停产后第三方芯片级维修成本仅为换新的 1/3 —— 换卡与维修的比价台账直接是维保决策依据4台账在个人电脑里、格式不统一、离职即失传 —— 「人员一动，整个数据中心运维的技能和经验就难以传承」依据 · 11 年 IDC 运维人自述：离职率高、薪酬倒挂、晋升通道窄，「人员一动，整个数据中心运维的技能和经验就难以传承」

三、换个做法之后

变化不在「快」，在「参与的角色」和「覆盖的范围」

✕ 现在的做法

• 商用 GPU 服务器年均故障率约 18.7%、单次故障平均处置超 90 分钟 —— 换卡是高频事件，值得一本正经台账Xid 79 掉卡 / 48/63/94 ECC / 31 客户代码的判读口径靠工程师个人经验，「隐性降速不中断任务最难查」——误判换卡的事每个老手都干过A100/A800 停产后第三方芯片级维修成本仅为换新的 1/3 —— 换新还是送修的比价，从来没人按台账算过台账在个人电脑里、格式不统一、离职即失传 —— 「人员一动，整个数据中心运维的技能和经验就难以传承」

✓ 交给 Agent 之后

• 多来源文件一次读入，先做口径与完整性校验，再开始算
• 每条结论绑定来源文件、字段或条号，可以被审
• 产出是企业真会流转的正式件（带签批栏），不是一张展示用的表
• 该拦的地方给出「现在还不能提交」，并给不用干等的替代方案

四、场景闭环

5 步 · 每一步的产出都是下一步的输入

1. 记录归一 · 三份 Excel 拼成一本台账设备 SN、Xid 码、故障时间、处理人、换卡结果逐行归一；三份记录打架的地方逐条标出
2. 交叉验证 · 人工记录 × DCGM 告警人工记的每次故障在 DCGM 里有没有对应 XID；有 XID没换卡的、换了卡查无 XID 的，双向点名
3. 误换识别 · 疑似「环境问题背了硬件的锅」同一机柜/同一供电回路的换卡聚集性分析 —— 同位置反复换卡往往不是卡的问题
4. 送修裁决 · 检测报告回填台账检测报告的「损坏/无损坏」结论回填每一张换下的卡，误换率水落石出
5. 成稿 · 换卡台账分析报告真坏/误换/待检三分类 + 机型与机柜分布 + 送修比价，签批栏齐备

要准备什么：三份工程师各自的换卡记录 Excel（半年）格式不一：有的记 Xid 码，有的只记现象DCGM 的 XID 告警导出（同期）和人工记录交叉验证的权威口径备件出入库记录（仓库管理员）备件卡的真实流向第三方检测机构的返修检测报告（PDF）换下卡的最终裁决 —— 星标素材

为什么这个场景值得做

优先级评分：痛感 4 × AI 适配 4 ÷ 落地难度 2 = 8.0

最大差异点：不需要客户先建台账系统。三份格式不一的 Excel、微信里的换卡沟通记录、备件库的出入库单，原件直接进来 —— 台账是拼出来的，不是要求客户先补出来的。

评分口径：痛感看「这事没做好谁会生气、生气到什么程度」；

AI 适配看「输入是否非结构化、是否要跨部门取数、错了能不能当场看出来」；

落地难度是分母 —— 需要客户先做数据治理的场景，分数会被压得很低。

五、会产出什么

判断标准只有一个：这份东西能不能直接进企业的流程

• 正式件本体：换卡台账分析报告.xlsx 正式件 · 三分类/分布/比价 · 签批栏
• 可派发清单：疑似误换复核清单.xlsx 可派发 ·每条带证据链与建议动作

这套东西不承诺什么：不自动换卡、不下「硬件故障」的最终判定（复检与备件领用是人签字的动作）。「疑似误换」只是复核建议，换下的卡以第三方检测报告为准。送修比价只列选项与金额，供应商选择是采购流程的事。

② Live Demo（演示逐步）

演示模式 · 可视化预演 本页展示的是「应该怎么跑、每一步看什么、交付什么」，用的是真实业务格式的脱敏构造数据， 不宣称已接入客户生产系统，也不承诺任何效率提升百分比。

案例设定：云枢智算数据服务有限公司（虚构 · 河北张家口 · 186 人）4 号楼集群运维，2026 年 9 月上旬月度备件盘点。8 月换了 14 张 H800 备件卡，主任在盘点会上问「这 14 张哪些是真坏、哪些是误换、送修检测结果出来没有」—— 换卡记录散在韩雪、周航、方磊三位工程师各自的电脑里，格式三个样。8 月 21 日凌晨 A12 区降频事件（GP-02 /GP-03 同一事件）当晚换下的 2 张卡，检测结果已经回来了：复检 0 损坏 —— 误换实锤，问题在制冷不在卡。

输入素材6 份（三份工程师记录 / DCGM 导出 / 备件出入库 / 检测报告）8 月换卡 14 张真坏 7 + 误换 2 + 客户代码 3 +待检 2误换代价本月 0.5 万 · 3-7 月 9 张 ≈ 2.7 万结论暂缓 4 张备件处置 · 换新采购 5.2 万待批

输入算力基础设施企业手上能拿到的东西

不需要整理格式、不需要改文件名 · 直接拖进对话框

• 01_换卡记录_韩雪.xlsx 集群工程师韩雪的换卡记录（半年），三个人里唯一记 Xid 码的一分，去年 11 月 B 区的事也只有她的本子上翻得到韩雪个人电脑 · 格式自拟但字段最全
• 02_换卡记录_周航.xlsx 集群工程师周航的换卡记录（半年），只记现象不记 Xid 码 ——8.21 凌晨 A12 那两张「先换卡试试」就是他拆的周航个人电脑 · 手记风格，现象按当时印象写的
• 03_换卡记录_方磊.xlsx 集群工程师方磊的换卡记录（半年），三个人里最简的一分：日期、位置、去向，没有现象描述方磊个人电脑 · 表最简，夜班换卡全靠回忆补
• 04_DCGM_XID告警导出_8月.xlsx DCGM 的 XID 告警导出（8 月全月），与人工记录交叉验证的权威口径集群监控后台自动记录 · 值班工程师偶尔才导出来看
• 05_备件出入库记录_8月.xlsx 备件库 8 月出入库记录（仓库管理员），备件卡的真实流向备件库管员维护 · 与工程师记录双向核对
• 06_检测机构返修检测报告_8月.xlsx 第三方检测机构的返修检测报告（8 月送检 12 张，报告 8/24-8/28 陆续回）——换下卡的最终裁决，平时没人把结论回填进台账检测机构 PDF 报告整理 · 结论页与金额页拍照归档

注意标橙色那一份 —— 06_检测机构返修检测报告_8月.xlsx。它检测机构 PDF 报告整理 · 结论页与金额页拍照归档，平时压根不在核对范围里。这个场景的价值，很大一部分就来自把它读进来。

提示词就说这么几句

没有模板、没有表单 · 专业规则由 Skill 兜底

这是三位工程师各自的换卡记录、DCGM 的 XID 告警导出和备件出入库单，还有检测机构的返修报告。 帮我拼成一本统一的换卡台账，重点看哪些换卡聚集在同一位置——那可能不是卡的问题。 真坏还是误换要分开，误换的代价帮我算出来。备件报废的建议栏留空，我们自己定。

Xid 判读口径（79/48/63/94/31 的含义与处置建议）已内置在能力包，客户只需提供原始记录。

触发事情是这么来的

月度备件盘点，主任的三个问题一个都答不上来

9 月上旬盘点会前，主任问：14 张哪些真坏、哪些误换、送修结果出来没有 —— 台账在三位工程师电脑里，格式三个样。本演示把三份记录、DCGM 导出、备件出入库和检测报告拼成一本账，重点回答一个问题：8.21 凌晨 A12 降频那晚换下的 2 张卡，到底是不是白换了。答案：是 —— 复检 0 损坏，问题在制冷（同一事件见 GP-02 / GP-03）。

第 1 步 · 记录归一 · 三份 Excel 拼成一本台账

同一张卡三个写法，以检测报告 SN 为准逐条归一

这一步的看点 · 从历史里想起了公司踩过的坑台账拼出来才发现：去年 11 月 B 区那 6 张「ECC 错误换卡」复检全部无损坏、后来查明是那排机柜供电模块的问题 —— 这条只有韩雪的本子上翻得到。这次 A12 又出现同模式换卡聚集，台账直接把它顶了出来：先查环境，别再白拆卡。

第 2 步 · 交叉验证 · 人工记录与 DCGM 双向点名

换了的卡要能对上 XID；有 XID 的不一定要换卡

这一步的看点 · 该拦的地方拦住了「换了卡查无 XID」的 4 张在备件报废流程前就该被拦下 —— 本次 2 张 A12 卡复检 0 损坏已实锤误换；若没有这层交叉核对，这 4 张大概率按「故障卡」直接走报废，备件池白亏 4张。判断口径（先查 Xid 再拆卡）从此落在台账里，不靠老师傅的记性。

第 3 步 · 误换识别 · 同位置换卡聚集先查环境

同一机柜/同一事件日的换卡聚集，往往不是卡的问题

这一步的看点 · 排除性结论「A12 事件硬件故障可排除 —— 4 节点 Xid 零记录、ECC 零，当晚换下的 2 张卡复检 0 损坏，空调修复后零复发；问题在制冷侧（CRAC-A12-03），不在卡」。这一条直接保住 4 张备件卡（2 张误换卡复检回库 +2 台节点免拆）和一次4 节点白拆，也是 RCA（GP-02）给客户解释「为什么不用停机换卡」的证据。

第 4 步 · 送修裁决 · 检测报告回填台账

12 张报告回填，真坏/误换/客户代码/待检水落石出

这一步的看点 · 把技术动作翻译成钱本月误换 2 张直接损失 0.5 万，3-7 月误换 9 张 ≈ 2.7 万 —— 半年 11 张白拆。对照账：真坏 7 张里送修 5 张（4.35 万）+ 换新 2 张（5.2 万）= 9.55 万；若 7 张全部按换新处理要 18.2万（7 × 2.6），送修组合比全换新少花 8.65 万 —— A 系列停产后，这个比价口径第一次有了台账支撑。

第 5 步 · 成稿 · 换卡台账分析报告

三分类 + 机柜分布 + 送修比价，签批栏齐备

这一步的看点 · 排除性结论「Xid 31 类的 3 次换卡可以排除硬件原因 —— DCGM 有记录但检测无损坏，属客户代码问题；这类问题该转给客户侧排查，不该消耗我们的备件」—— 3 张卡已从报废流程改走客户认领，省下的是备件库存和拆装工时。这本台账不能在待检卡悬着的时候直接报主任14 张里 2 张（B09-R35 / A07-R26）检测报告 9 月上旬才回，三分类中「待检」未闭环；且换新采购 2 张（5.2 万）要走审批、误换 2 张回库要走资产核销 —— 这些都是签字动作，台账只能给依据，不能替人签。方案一：按「暂缓处置」版本今天提交 —— 12 张已定性 + 2 张待检标注「报告未回、暂缓报废」，附三笔账：送修 4.35 万已发生、换新 5.2 万待批、误换损失本月 0.5 万 + 3-7 月 2.7 万 —— 9 月报告回来只补 2行，台账不断档。方案二：先报「已定性 12 张」的版本，待检 2 张顺延到 9 月台账 —— 但备件库当月对账须注明「在检 2 张、待客户认领 3 张」，且换新采购 5.2 万的审批单本周必须提：期末可用 30 张，按 8 月换 14 张的节奏只够撑约2 个月，审批再拖，10 月备件就见底了。

之后这一次跑完，公司多了什么

不讲省了多久：讲少了几个隐患、沉淀了什么

• ✓ 三份个人 Excel 第一次拼成全中心统一的换卡台账 —— 判读口径不再跟着人走
• ✓ 「同位置换卡聚集=先查环境」的判断规则落进台账，B 区的教训不会重演第三次
• ✓ 误换的代价第一次被算出来 —— 判断口径的改进有了金额层面的理由
• ✓ 送修比价口径固定下来，A 系列停产后备件策略有了数据支撑

追问现场可能被问到的

答不上来的问题，比答得漂亮的问题更能决定这场演示的结果

• 能不能自动判断卡该不该换？ 不能。我们给的是「Xid 码 + 同位置聚集 + 历史检测结论」的证据包，拆不拆卡是值班工程师按 SOP 拍板的事。
• 检测报告只有纸质版怎么办？ 拍照进来即可，检测机构的结论页和金额页拍清楚就行 —— 台账引用的是结论，不是格式。
• 备件该备多少张卡你们能算吗？ 能算参考值（基于故障率与送修周期），但备件水位涉及资金占用，参考值进了报告，决定权在库存主管。

③ 能力沉淀（Skill / 提示词 / 预期输出 / 人工边界）

1. Skill 能力包

导入之后，同类任务会自动按这套规则走 —— 提示词才能写得那么短

GPU 故障换卡台账 —— 换了 14 张卡，哪些真坏哪些误换，不该没有人说得清 · Skill

SKILL.md 主本 + references（输出骨架 / 判据 / 渲染脚本）· 符合 WorkBuddy Skill 规范

版本 v1.0

gpu-replace-ledger.zip

在 WorkBuddy 里直接上传这个 zip 即可导入

包内结构

• SKILL.md 主本 —— YAML 元信息 + 执行流程 + 硬规则 + 人工边界
• references/output_template.md 输出骨架（sheet 名 / 分区顺序 / 列头）+ 可直接运行的渲染脚本
• references/judgement_rules.md 判据与口径 —— 什么情况算异常、什么情况必须拦住

references 不会一次性全读进来 —— Agent 按需取用。所以 Skill 可以写得很细，不会拖慢每次对话。

2. 原始素材

这些就是算力基础设施企业手上真实能拿到的东西 —— 格式不统一是常态，不是问题

📁GP-01 · 演示素材

脱敏构造数据 · 真实业务格式 · 埋点可核验

共 6 份

• 01_换卡记录_韩雪.xlsx 集群工程师韩雪的换卡记录（半年），三个人里唯一记 Xid 码的一分，去年 11 月 B 区的事也只有她的本子上翻得到
• 02_换卡记录_周航.xlsx 集群工程师周航的换卡记录（半年），只记现象不记 Xid 码——8.21 凌晨 A12 那两张「先换卡试试」就是他拆的
• 03_换卡记录_方磊.xlsx 集群工程师方磊的换卡记录（半年），三个人里最简的一分：日期、位置、去向，没有现象描述
• 04_DCGM_XID告警导出_8月.xlsx DCGM 的XID 告警导出（8 月全月），与人工记录交叉验证的权威口径
• 05_备件出入库记录_8月.xlsx 备件库 8 月出入库记录（仓库管理员），备件卡的真实流向
• 06_检测机构返修检测报告_8月.xlsx 第三方检测机构的返修检测报告（8 月送检 12 张，报告 8/24-8/28 陆续回）——换下卡的最终裁决，平时没人把结论回填进台账

怎么用

• 把素材全部拖进 WorkBuddy 对话框（不需要整理格式、不需要改文件名）
• 粘贴下方提示词发送
• 拿到正式件初稿 —— 签批栏留空，推荐意见留空，由你填

3. 提示词卡片

这是三位工程师各自的换卡记录、DCGM 的 XID 告警导出和备件出入库单，还有检测机构的返修报告。 帮我拼成一本统一的换卡台账，重点看哪些换卡聚集在同一位置——那可能不是卡的问题。 真坏还是误换要分开，误换的代价帮我算出来。备件报废的建议栏留空，我们自己定。

为什么这么短就够了：Xid 判读口径（79/48/63/94/31 的含义与处置建议）已内置在能力包，客户只需提供原始记录。

换成你自己的业务：把素材换成你手上的真实文件即可。导入 Skill 之后，

该走几步、什么口径、什么情况必须拦住，Agent 自己知道 —— 你只需要说清这是什么事。

自己组织输入的三步法

• 用自然语言说清核心需求 —— 就按平时跟同事交代活的方式说：什么事、什么文件、什么要求。不用讲究格式。
• 调用 Skill 补齐专业规则 —— 导入本页 Skill 后，流程、口径、硬规则 Agent 自己知道。
• 用「增强提示词」补全遗漏 —— 输入框旁边有增强按钮，把随口说的话补成更完整的表述。

分工：自然语言负责「这是什么事」，Skill 负责「该怎么做」，增强提示词负责「别漏了什么」。

4. 预期输出

不方便现场跑的时候可以直接拿这份给客户看 · 与实跑结果同结构

📋正式交付物

带签批栏 / 冻结首行 / 开筛选 —— 判断标准是「能不能直接进企业的流程」

共 2 份

• GP-01_换卡台账分析报告.xlsx 正式件 · 三分类/分布/比价 · 签批栏
• GP-01_疑似误换复核清单.xlsx 可派发 · 每条带证据链与建议动作

Skill 里固化了什么：从历史里想起了公司踩过的坑该拦的地方拦住了排除性结论把技术动作翻译成钱

输入清单：三份工程师各自的换卡记录 Excel（半年）格式不一：有的记 Xid 码，有的只记现象DCGM 的 XID 告警导出（同期）和人工记录交叉验证的权威口径备件出入库记录（仓库管理员）备件卡的真实流向第三方检测机构的返修检测报告（PDF）换下卡的最终裁决 —— 星标素材

人工边界：不自动换卡、不下「硬件故障」的最终判定（复检与备件领用是人签字的动作）。「疑似误换」只是复核建议，换下的卡以第三方检测报告为准。送修比价只列选项与金额，供应商选择是采购流程的事。

升为客户真实案例还缺什么：客户当前真实输入文件（不要整理过的）岗位现行 SOP 与审批链（金额分档、谁签字）至少一次真实出过问题的案例客户当前正在用的正式输出模板客户确认的阈值口径（多少天算临期、多少金额算大额）

5. 同一角色下的其他场景

智算集群运维（GPU 与高速网络） · 产出即下一步输入

• GP-02 · 故障 RCA 复盘报告初稿：合同给你的 24 小时，不该用来翻聊天记录
• GP-03 · GPU 利用率日报：利用率 93% 的集群正在变慢，这种病监控看不出来

上下游串起来就是完整链路。每一步的产出都是下一步的输入，不用在不同工具之间来回复制粘贴。

场景内容基于 WorkBuddy 产品能力整理，演示中的企业、人物与数据均为虚构，不代表任何客户的实际成效；痛点引用的公开来源已做脱敏处理。网页版由原资料转换，部分演示表格以原文形式展示。