huawei-cloud-mrs-host-fault-diagnose

华为云 MRS 主机故障诊断技能

概述

此技能用于诊断华为云 MRS（MapReduce Service）集群故障。提供服务名称和/或节点名称后，技能会逐步定位根因：先快速扫描日志；发现主机问题时排查主机；未能得出结论时进行详细调查。

架构：调用方（Agent）-> check_api_mode.py（Python，scripts/）确定 API 模式 -> 根据模式调用 lakewatch_api_client.py -> LakeWatch API -> MRS 集群（节点资源数据、日志、MRS Manager 代理），或调用 manager_api_client.py -> MRS Manager REST API（28443）。各层知识库（lakewatch 模式下的 fault_layer/ + scenarios/ + propagation.md；manager 模式下的 fault_layer_manager/ + scenarios_manager/ + propagation_manager.md）用于驱动诊断流程；components/ 下各组件的配置由两种模式共用；三个故障层级（主机 -> 实例 -> 服务）用于追踪传播链。

关于语言的说明：根据仓库规范，此 SKILL.md 和 references/ 下的文档均使用英文编写。fault_layer/、fault_layer_manager/、scenarios/、scenarios_manager/、components/、propagation.md 和 propagation_manager.md 下的知识库文档也使用英文编写。命令和代码块始终使用英文。

适用场景：

• 有服务报告为不健康，需要定位根因
• 有实例报告在特定节点上发生故障
• 有主机报告为无法访问或状态异常
• 从快速扫描到深入调查的渐进式故障排查

典型用例：

• “KrbServer 出问题了，帮忙诊断一下”（服务故障，未指定节点）
• “8-5-225-6 上的 KrbServer 挂了”（实例故障，已指定服务和节点）
• “8-5-225-6 出问题了”（主机故障，仅指定节点）
• “MRS 集群 KrbServer 启动失败，集群 ID xxx”
• “DBService 停止异常，节点 8-5-225-6”

关键限制

重要限制：

1. 只读：此技能仅运行信息收集命令（查看日志、查询状态、收集资源数据）。不得运行任何启动、停止、修改或删除操作。
2. 修复需用户确认：此技能仅提供可执行的修复建议，不得直接执行任何修复操作。所有修复操作都必须经过用户确认。
3. 严格执行：严格按照此技能目录下的知识库内容进行诊断。禁止编造知识库以外的诊断命令。

前提条件

1. Python 要求

• Python >= 3.7
• 依赖项：pyyaml（YAML 解析）、cryptography（仅用于 Windows AES 密码加密）
• Linux 使用 CryptoAPI 进行密码加密（不依赖 cryptography）
• 验证安装：python3 --version（Linux）/ python --version（Windows）

此技能不需要 KooCLI（hcloud）。它通过 scripts/lakewatch_api_client.py 调用 LakeWatch API（lakewatch 模式），或通过 scripts/manager_api_client.py 调用 MRS Manager REST API（manager 模式）。客户端设置请参阅 CLI 安装指南。

2. LakeWatch 凭据配置

• 有效的 LakeWatch 服务账号（用户名 + 密码）
• 必须使用 --encrypt-password 加密密码，并将其存储在 scripts/lakewatch_api_config.yaml（auth.encrypted_password）中。切勿存储明文密码。
• 安全规则：
  • 切勿在对话或命令输出中泄露 LakeWatch 密码
  • 切勿要求用户在对话中输入明文密码；请使用交互式 --encrypt-password 流程
  • 令牌缓存在本地，且文件权限仅允许所有者访问（Windows：%TEMP%\lakewatch_token\，Linux：/tmp/lakewatch_token/）

3. MRS Manager 凭证配置（Manager 模式）

当 scripts/manager_api_config.yaml 存在且设置了 auth.encrypted_password 时，将启用 Manager 模式。

• 有效的 MRS Manager 账户（用户名 + 密码）
• 在 server.host 中配置 Manager 浮动 IP（默认端口为 28443）。要获取该 IP，请在 OMS 节点运行 grep float_ip /opt/huawei/Bigdata/om-server/OMS/workspace/conf/oms.ini，或咨询集群管理员。
• 密码必须通过 python3 scripts/manager_api_client.py --encrypt-password 加密，并存储在 scripts/manager_api_config.yaml（auth.encrypted_password）中。切勿存储明文密码。
• 安全规则：
  • 切勿在对话或命令输出中泄露 Manager 密码
  • 切勿要求用户在对话中输入明文密码；请使用交互式 --encrypt-password 流程
  • Windows AES 密文需要连同 .aes_key 文件一起迁移，才能在另一台机器上解密；Linux SCC 密文无法跨集群移植
• 完整的客户端用法请参阅 MRS Manager API 客户端。

4. 访问权限

• Lakewatch 模式：能够连接到 LakeWatch 服务端点（在 scripts/lakewatch_api_config.yaml 的 server.host/port 中配置）；LakeWatch 账户必须有权限调用 MRS Manager 代理，并收集目标集群上的节点资源和日志数据
• Manager 模式：脚本运行环境必须能够访问 Manager 端口 28443；Manager 账户需要对告警、主机、实例和日志 API 具有读取权限
• 有关访问模型和所需角色，请参阅 IAM 策略

5. 依赖技能：huawei-cloud-mrs-host-alarm-diagnose

此技能引用了 huawei-cloud-mrs-host-alarm-diagnose 技能（skills/bigdata/mrs/ 下的同级目录）中的按告警分类的诊断知识库。当故障诊断流程遇到已知告警（12006/12007/25000/25500/27001）时，会在 lakewatch 模式下加载对应文档：../huawei-cloud-mrs-host-alarm-diagnose/alarms/<alarm_id>.md；或在 manager 模式下加载：../huawei-cloud-mrs-host-alarm-diagnose/alarm_manager/<alarm_id>.md。

• 如果告警技能存在，加载引用的文档并遵循其中的诊断流程
• 如果不存在，告知用户并继续通用故障诊断流程
• 此依赖仅为文档级引用（通过相对路径加载 Markdown），而非直接调用技能。两个技能共用相同的 LakeWatch/Manager API 客户端和配置格式。

命令格式规范

此技能使用 LakeWatch API 客户端，而非 KooCLI。统一的命令格式如下：

# Linux
python3 <skill_dir>/scripts/lakewatch_api_client.py -a <api_name> -p 'key1=value1' -p 'key2=value2'

# Windows
python <skill_dir>/scripts/lakewatch_api_client.py -a <api_name> -p 'key1=value1' -p 'key2=value2'

元素	规则	示例
python3 / python	Linux 使用 python3，Windows 使用 python	python3 lakewatch_api_client.py
-a, --api	要调用的 API 名称（在 lakewatch_api_config.yaml 中定义）	-a collect_alarm_node_res_data
-p, --param	采用 key=value 格式的 API 参数，可重复使用	-p 'cluster_id=xxx'
引号	每个 -p 值都必须用单引号括起来，以防止 shell 解析 [] {} | ()	-p 'keywords=["ERROR"]'

Windows（PowerShell）引号规则：值中的每个 " 都必须替换为 """（包括 [] 和 {} 内的 "），否则服务端会返回 {"message":"Unknown exception","success":false,"code":"500"}：

# Correct on Windows
-p 'keywords=["""ERROR"""]'
-p 'env={"""PID""":"""123"""}'

# Wrong on Windows (will fail)
-p 'keywords=["ERROR"]'

Linux（bash）引号规则：值中的 " 保持原样，并将整个值用单引号括起来：

# Correct on Linux
-p 'keywords=["ERROR","Exception"]'
-p 'env={"PID":"123"}'

完整的 API 目录、参数以及令牌/加密机制，请参阅 LakeWatch API 客户端。

MRS Manager API 客户端（Manager 模式）

当 check_api_mode.py 报告 manager 时，请使用 manager_api_client.py，而不是 LakeWatch 客户端。统一命令格式如下：

# Linux
python3 <skill_dir>/scripts/manager_api_client.py -a <api_name> -p 'key1=value1' -p 'key2=value2' --json

# Windows
python <skill_dir>/scripts/manager_api_client.py -a <api_name> -p 'key1=value1' -p 'key2=value2' --json

元素	规则	示例
python3 / python	Linux 使用 python3，Windows 使用 python	python3 manager_api_client.py
-a, --api	要调用的 API 名称（定义于 manager_api_apis/）	-a get_instances
-p, --param	采用 key=value 格式的 API 参数，可重复指定	-p 'service_name=KrbServer'
--json	JSON 格式的输出	--json
--auth	认证模式：basic（默认）或 cookie	--auth cookie
引号	与 LakeWatch 客户端的引号规则相同（使用 ' 包裹；Windows 中 " -> """）	-p 'keywords=["ERROR"]'

完整的 API 目录、认证模式、指标名称和密码加密机制，请参阅 MRS Manager API 客户端。

工作流

步骤 0：确定 API 模式

运行模式检查脚本，确定诊断基于 MRS Manager 还是 LakeWatch：

• Windows：python scripts/check_api_mode.py
• Linux：python3 scripts/check_api_mode.py

该脚本会检查 scripts/manager_api_config.yaml 是否存在，以及 encrypted_password 是否已填写，并返回 JSON 结果：

{"mode": "manager", "reason": "..."}     // manager-based
{"mode": "lakewatch", "reason": "..."}   // lakewatch-based

规则：

• manager_api_config.yaml 不存在 -> 默认 lakewatch
• 文件存在，但 encrypted_password 为空 -> 默认 lakewatch
• 文件存在且 encrypted_password 不为空 -> manager

该模式决定整个工作流中要加载哪些知识库目录：

模式	命令脚本	故障层	场景	传播	告警文档（同级技能）
lakewatch	lakewatch_api_client.py	fault_layer/	scenarios/	propagation.md	../huawei-cloud-mrs-host-alarm-diagnose/alarms/
manager	manager_api_client.py	fault_layer_manager/	scenarios_manager/	propagation_manager.md	../huawei-cloud-mrs-host-alarm-diagnose/alarm_manager/

在本 SKILL.md 的其余部分中，<FAULT_LAYER> 表示 fault_layer（lakewatch）或 fault_layer_manager（manager），<SCENARIOS> 表示 scenarios（lakewatch）或 scenarios_manager（manager），<PROPAGATION> 表示 propagation.md（lakewatch）或 propagation_manager.md（manager）。

步骤 1：确定故障入口

从用户输入中提取故障信息，并确定诊断入口：

用户描述	入口	步骤 1 操作
有 service_name，没有 node_name（例如“KrbServer 出问题了”）	服务故障	检查所有实例状态，找出故障实例
有 service_name 和 node_name（例如“8-5-225-6 上的 KrbServer 挂了”）	实例故障	直接检查该实例
有 node_name，没有 service_name（例如“8-5-225-6 出问题了”）	主机故障	检查主机状态，然后检查主机上的实例

步骤 2：定位故障对象

模式说明：以下命令块展示的是 lakewatch 模式命令。在 manager 模式下，请使用对应的 manager_api_client.py 命令——参阅 核心命令 -> Manager 模式命令 和 <SCENARIOS>/data_collection.md，了解各模式对应的命令。

入口 A：服务故障（有 service_name，没有 node_name）

加载 components/<service_name>.md 获取组件配置。查询 OMS 主备节点，并检查每个节点上的进程：

# lakewatch mode
python3 lakewatch_api_client.py -a query-management-node-info \
  -p 'cluster_id=<cluster_id>'

# lakewatch mode
python3 lakewatch_api_client.py -a collect_alarm_node_res_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'strategy_name=process-basic-info' \
  -p 'env={"process_name":"<process_name>"}' \
  -p 'node_name=<node_name>'

Manager 模式对应命令：get_oms_info（OMS 主备节点）；get_host_process（进程状态）。

判断：

结果	下一步
所有节点上的进程均正常	步骤 4：详细调查
部分节点上的进程缺失	步骤 3：快速扫描日志（针对故障节点）
API 调用失败（节点不可达）	步骤 4：主机故障排查

条目 B：实例故障（有 service_name + node_name）

加载 components/<service_name>.md。直接检查该节点上的进程：

# lakewatch mode
python3 lakewatch_api_client.py -a collect_alarm_node_res_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'strategy_name=process-basic-info' \
  -p 'env={"process_name":"<process_name>"}' \
  -p 'node_name=<node_name>'

Manager 模式对应项：get_host_process（进程状态）。

判断：

结果	下一步
进程正常	步骤 4：详细调查
进程缺失	步骤 3：快速扫描日志
API 调用失败（节点不可达）	步骤 4：主机故障排查

条目 C：主机故障（有 node_name，无 service_name）

查询 OMS 主备节点，查询节点 IP，从 OMS 活动节点 ping 故障节点：

# lakewatch mode
python3 lakewatch_api_client.py -a query-management-node-info \
  -p 'cluster_id=<cluster_id>'

# lakewatch mode
python3 lakewatch_api_client.py -a query-node-ip \
  -p 'cluster_id=<cluster_id>' \
  -p 'node_name=<node_name>'

# lakewatch mode
python3 lakewatch_api_client.py -a collect_alarm_node_res_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'strategy_name=ping-check' \
  -p 'env={"TARGET_IP":"<target_ip>"}' \
  -p 'node_name=<oms_active_node>'

Manager 模式对应项：get_oms_info（OMS 主备节点）；get_hosts -p 'hostname=<node_name>'（节点 IP）；check_remote（远程连通性——没有专用的 ping 检查 API）。

判断：

结果	下一步
Ping 失败	步骤 4：主机故障排查（网络/硬件）
Ping 成功	检查主机上的所有组件进程，找出故障实例 -> 步骤 3：快速扫描日志

步骤 3：快速扫描日志

对于故障节点，快速扫描三层日志（Controller -> NodeAgent -> 组件），查找明确的 ERROR：

# lakewatch mode - Controller log
python3 lakewatch_api_client.py -a collect_alarm_log_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'alarm_time=<alarm_time>' \
  -p 'log_directory=/var/log/Bigdata/controller' \
  -p 'log_file_name=exe.log*' \
  -p 'keywords=["<service_name>","ERROR","fail","timeout","Exception"]' \
  -p 'log_type=local' \
  -p 'node_name=<oms_active_node>'

# lakewatch mode - NodeAgent script log
python3 lakewatch_api_client.py -a collect_alarm_log_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'alarm_time=<alarm_time>' \
  -p 'log_directory=/var/log/Bigdata/nodeagent/scriptlog' \
  -p 'log_file_name=*.log*' \
  -p 'keywords=["<service_name>","ERROR","fail","exit"]' \
  -p 'log_type=local' \
  -p 'node_name=<node_name>'

Manager 模式对应项（参见 <SCENARIOS>/data_collection.md）：browse_log（Controller exe.log、NodeAgent script.log）；start_log_search + get_log_search_progress（关键词搜索）。

如果已知 service_name，还要检查组件自身的日志（路径见 components/<service_name>.md）：

# lakewatch mode
python3 lakewatch_api_client.py -a collect_alarm_log_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'alarm_time=<alarm_time>' \
  -p 'log_directory=<log_directory>' \
  -p 'log_file_name=<log_file_name>' \
  -p 'keywords=["ERROR","Exception","FATAL","fail","OOM"]' \
  -p 'log_type=local' \
  -p 'node_name=<node_name>'

判断：

日志结果	下一步
明确的 ERROR（例如 OOM/权限/端口冲突/配置缺失）	输出根因
日志显示节点不可达 / Agent 超时	步骤 4：主机故障排查
同一主机上有多个故障节点	步骤 4：主机故障排查
无法明确得出结论	步骤 4：详细调查

步骤 4：详细调查

快速扫描日志未能得出结论时，收集完整数据：

1. 加载[数据收集](/data_collection.md)，收集进程/端口/HA/资源/告警/框架日志
2. 加载[实例故障诊断](<FAULT_LAYER>/instance_fault.md)，进行实例级诊断（包括场景识别）
3. 如有需要，加载[服务故障诊断](<FAULT_LAYER>/service_fault.md)，进行服务级诊断
4. 如果发现主机问题，加载[主机故障诊断](<FAULT_LAYER>/host_fault.md)，进行主机级诊断

步骤 5：追踪传播链

加载传播链，追踪根因传播路径和影响范围。

步骤 6：输出诊断结论

## Diagnosis Result

| Item | Content |
|------|---------|
| Diagnosis time | [time] |
| Cluster ID | [cluster_id] |
| Faulty component | [service_name] |
| Faulty node | [node_name] |

### Diagnosis Process

| Step | Result |
|------|--------|
| Instance status | [which nodes normal/abnormal] |
| Quick log scan | [found/not found clear ERROR] |
| Host troubleshooting | [normal/abnormal: ...] |
| Detailed investigation | [process/port/HA/resource results] |

### Propagation Path

[root cause] -> [propagation] -> [symptom] (single-layer root cause if no propagation)

### Root Cause Analysis

**Root cause layer**: [host/instance/service]
**Root cause type**: [specific reason]

### Repair Suggestion

| Priority | Operation | Description | Needs user confirmation |
|----------|-----------|-------------|-------------------------|
| 1 | [operation] | [description] | Yes |

核心命令

查询 OMS 主备节点

python3 lakewatch_api_client.py -a query-management-node-info \
  -p 'cluster_id=<cluster_id>'

查询节点 IP

python3 lakewatch_api_client.py -a query-node-ip \
  -p 'cluster_id=<cluster_id>' \
  -p 'node_name=<node_name>'

收集节点资源数据

# Process basic info
python3 lakewatch_api_client.py -a collect_alarm_node_res_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'strategy_name=process-basic-info' \
  -p 'env={"process_name":"<process_name>"}' \
  -p 'node_name=<node_name>'

# Port check
python3 lakewatch_api_client.py -a collect_alarm_node_res_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'strategy_name=port-check' \
  -p 'env={"PORT":"<port>"}' \
  -p 'node_name=<node_name>'

# HA resource status
python3 lakewatch_api_client.py -a collect_alarm_node_res_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'strategy_name=ha-resource-status' \
  -p 'node_name=<node_name>'

# Disk space / Memory / CPU load
python3 lakewatch_api_client.py -a collect_alarm_node_res_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'strategy_name=disk-space' \
  -p 'node_name=<node_name>'

支持的 strategy_name 值包括：system-load、memory-usage、disk-space、disk-io、network-io、file-handle、port-check、high-cpu-processes、high-memory-process、zombie-process、dns-check、network-connectivity-test、process-basic-info、process-file-descriptor、jstack-thread-dump、disk-health-check、disk-smart-info、ha-resource-status、omm-process-tree 等。完整列表请参阅 LakeWatch API Client。

收集告警日志数据

python3 lakewatch_api_client.py -a collect_alarm_log_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'alarm_time=<alarm_time>' \
  -p 'log_directory=<log_directory>' \
  -p 'log_file_name=<log_file_name>' \
  -p 'keywords=["ERROR","Exception"]' \
  -p 'log_type=local'

当日志时间格式不是标准 ISO 格式时（例如 [2026-07-07 20:54:25,171]），传入 time_pattern：

python3 lakewatch_api_client.py -a collect_alarm_log_data \
  -p 'cluster_id=<cluster_id>' \
  -p 'alarm_time=2026/07/07 20:54:00 GMT+08:00' \
  -p 'log_directory=/var/log/Bigdata/omm/oms/pms' \
  -p 'log_file_name=pms*.log' \
  -p 'keywords=["ERROR","Exception"]' \
  -p 'log_type=local' \
  -p 'time_pattern=^\[([0-9]{4})-([0-9]{2})-([0-9]{2}) ([0-9]{2}):([0-9]{2}):([0-9]{2})||ymdHMS'

代理 MRS Manager GET API

# Query cluster services
python3 lakewatch_api_client.py -a access_manager_get \
  -p 'cluster_id=<cluster_id>' \
  -p 'target_url=api/v2/clusters/<cluster_id>/services'

# Query host processes
python3 lakewatch_api_client.py -a access_manager_get \
  -p 'cluster_id=<cluster_id>' \
  -p 'target_url=api/v2/clusters/<cluster_id>/hosts/<node_name>/processes'

# Query active alarms
python3 lakewatch_api_client.py -a access_manager_get \
  -p 'cluster_id=<cluster_id>' \
  -p 'target_url=api/v2/clusters/<cluster_id>/alarms'

target_url 不得以 / 开头。代理要求 Agent >= 1.0.5，且已上报 OMS 节点信息。目前仅支持 GET。

Manager 模式命令（Manager Mode）

当 check_api_mode.py 报告 manager 时，使用 manager_api_client.py 执行等效查询：

# Query OMS primary/standby nodes
python3 manager_api_client.py -a get_oms_info --json

# Query cluster services
python3 manager_api_client.py -a get_cluster_services \
  -p 'cluster_id=<cluster_id>' --json

# Query host detail (disk/memory/CPU usage)
python3 manager_api_client.py -a get_host_detail \
  -p 'hostname=<node_name>' --json

# Query host process status
python3 manager_api_client.py -a get_host_process \
  -p 'hostname=<node_name>' --json

# Query service instances (HA status)
python3 manager_api_client.py -a get_instances \
  -p 'cluster_id=<cluster_id>' \
  -p 'service_name=<service_name>' \
  -p 'hostname=<node_name>' --json

# Query host monitor metrics (dev_ prefix)
python3 manager_api_client.py -a get_host_metrics \
  -p 'hostname=<node_name>' \
  -p 'metric_names=dev_cpu_surp_avg,dev_load_one_min' --json

# Check remote node connectivity (replaces ping-check/network-connectivity-test)
python3 manager_api_client.py -a check_remote \
  -p 'remote_ip=<target_ip>' \
  -p 'remote_port=22' \
  -p 'remote_user_name=omm' \
  -p 'remote_client_path=/opt/huawei/Bigdata/nodeagent' --json

# Browse a log file (file_name must be a full path)
python3 manager_api_client.py -a browse_log \
  -p 'hostname=<node_name>' \
  -p 'file_name=/var/log/Bigdata/controller/exe.log' \
  -p 'start_line=1' \
  -p 'end_line=500' \
  -p 'search=<service_name>' --json

# Search logs by keyword (returns task_id, then poll progress)
python3 manager_api_client.py -a start_log_search \
  -p 'cluster_id=<cluster_id>' \
  -p 'key_word=ERROR' \
  -p 'start_time=<alarm_time>' \
  -p 'end_time=<current_time>' \
  -p 'services=<component>:<service_name>:<role_name>' \
  -p 'min_log_level=WARN' --json

python3 manager_api_client.py -a get_log_search_progress \
  -p 'search_id=<task_id>' --json

start_log_search 的 services 格式：component:service:role（例如 HDFS:HDFS:NameNode）；start_time/end_time 格式：yyyy-MM-ddTHH:mm:ss。指标名称和完整参数规则请参见 MRS Manager API 客户端。

参数确认

参数	必填/可选	说明	默认值
cluster_id	必填	MRS 集群 ID	N/A
service_name	条件必填	故障组件（服务/实例故障条目必填）	N/A
node_name	条件必填	故障节点（实例/主机故障条目必填）	N/A
alarm_time	可选	故障发生时间，格式为 yyyy/MM/dd HH:mm:ss GMT+X:XX	当前时间
strategy_name	collect_alarm_node_res_data 必填	资源收集策略（lakewatch 模式）	N/A
log_directory	collect_alarm_log_data 必填	日志目录，必须位于 /var/log/ 下（lakewatch 模式）	N/A
log_file_name	collect_alarm_log_data 必填	日志文件名，不得包含路径分隔符（lakewatch 模式）	N/A
keywords	collect_alarm_log_data 必填	日志关键词筛选条件，JSON 数组（lakewatch 模式）	N/A
log_type	collect_alarm_log_data 必填	local 或 hdfs（lakewatch 模式）	N/A
time_pattern	可选	非标准日志时间正则表达式，格式为 regex||format（lakewatch 模式）	N/A
target_url	access_manager_get 必填	MRS Manager API 路径，不得以 / 开头（lakewatch 模式）	N/A
metric_names	get_host_metrics 必填	以逗号分隔的监控指标名称，带 dev_ 前缀（manager 模式）	N/A
key_word	start_log_search 必填	要搜索的日志关键词（manager 模式）	N/A
current_time	start_log_search 必填	当前时间，格式为 yyyy-MM-ddTHH:mm:ss（manager 模式）	N/A
file_name	browse_log 必填	完整日志文件路径（manager 模式）	N/A

输出格式

诊断报告以 Markdown 格式输出，包含：

• 诊断结果表：诊断时间、集群 ID、故障组件、故障节点
• 诊断过程：逐步结果（实例状态、快速日志扫描、主机排查、详细调查）
• 传播路径：根因 -> 传播 -> 症状（无传播时为单层）
• 根因分析：根因层级（主机/实例/服务）+ 根因类型
• 修复建议表：优先级、操作、说明、是否需要用户确认（所有修复操作都需要用户确认）

请参见工作流 -> 步骤 6部分中的模板。

验证方法

安装、配置和功能验证步骤请参见验证方法。

最佳实践

1. 先确定入口：根据用户提供的信息（service_name、node_name），在开始诊断前确定入口是服务故障、实例故障还是主机故障。
2. 逐步调查：始终先快速扫描日志（Step 3）；只有在无法得出明确结论时，才升级到详细调查（Step 4）。
3. 替换占位符：将 <cluster_id>、<alarm_time>、<node_name>、<target_ip>、<process_name> 等替换为用户提供的实际值；绝不要将其硬编码。
4. 引用参数：始终用单引号括起 -p 的值；在 Windows PowerShell 中，将 " 转义为 """，以避免出现 code:500 错误。
5. 时间格式：alarm_time 必须遵循 yyyy/MM/dd HH:mm:ss GMT+X:XX 格式；对于非标准日志时间格式，请传入 time_pattern。
6. 总结结果：使用总结工具精简命令输出后再进行分析；不要直接分析大量原始输出。
7. 诊断后反思：完成检查后，反思是否已确认根本原因；如果尚未确认，请重新检查是否有遗漏的步骤。
8. 只读：所有命令均为只读；修复步骤仅作建议，执行前需要用户确认。
9. 命令失败处理：命令失败时，跳过当前检查项并继续其他检查；不要中止整个诊断。

参考文档

文档	描述
CLI 安装指南	Python 依赖项以及 LakeWatch/Manager 客户端设置
IAM 策略	LakeWatch/MRS Manager 访问模型和所需角色
验证方法	安装、配置和功能验证
验收标准	技能测试的通过/失败标准
故障诊断工作流	渐进式故障诊断工作流设计
LakeWatch API 客户端	完整的 LakeWatch API 目录、参数、令牌和加密机制
MRS Manager API 客户端	完整的 MRS Manager API 目录、认证模式、指标名称和加密机制
相关命令	常用 LakeWatch/Manager API 命令速查
huawei-cloud-mrs-host-alarm-diagnose（同级技能）	依赖项：每个告警的诊断知识库（lakewatch 模式下为 ../huawei-cloud-mrs-host-alarm-diagnose/alarms/<alarm_id>.md，manager 模式下为 alarm_manager/<alarm_id>.md）。详情请参阅前提条件第 5 节。
数据采集	完整的数据采集流程，lakewatch 模式（步骤 4）
数据采集（Manager）	完整的数据采集流程，manager 模式（步骤 4）
主机故障诊断	主机层诊断，lakewatch 模式
实例故障诊断	实例层诊断（包括场景识别），lakewatch 模式
服务故障诊断	服务层诊断，lakewatch 模式
主机故障诊断（Manager）	主机层诊断，manager 模式
实例故障诊断（Manager）	实例层诊断（包括场景识别），manager 模式
服务故障诊断（Manager）	服务层诊断，manager 模式
传播链	根因传播路径追踪，lakewatch 模式
传播链（Manager）	根因传播路径追踪，manager 模式
常见场景	6 阶段通用诊断框架，lakewatch 模式
常见场景（Manager）	6 阶段通用诊断框架，manager 模式
scenarios/<scenario>.md	特定场景的检查，lakewatch 模式（install/start/stop/uninstall/reinstall/reinstall_host/scale_out/scale_in）
scenarios_manager/<scenario>.md	特定场景的检查，manager 模式（install/start/stop/uninstall/reinstall/reinstall_host/scale_out/scale_in）
components/<service_name>.md	每个组件的配置（进程、端口、日志路径等）——两种模式共用
components/_template.md	新组件配置模板

注意事项

• 安全性：此技能为只读。它绝不会泄露 LakeWatch 或 MRS Manager 密码；密码通过 --encrypt-password 加密，并存储在对应的配置 YAML 文件中。修复步骤仅供参考。
• 不使用 KooCLI：此技能不使用 hcloud；它通过 lakewatch_api_client.py 调用 LakeWatch API，或通过 manager_api_client.py 调用 MRS Manager REST API。请勿混用 hcloud 命令。
• 模式切换：运行 check_api_mode.py（步骤 0）以确定模式。在 manager 模式下，使用 manager_api_client.py 和 fault_layer_manager/、scenarios_manager/ 及 propagation_manager.md 知识库；在 lakewatch 模式下，使用 lakewatch_api_client.py 和 fault_layer/、scenarios/ 及 propagation.md。请勿跨模式混用客户端。
• 命令失败：命令失败时，跳过当前检查项并继续其他检查；不要中止整个诊断。
• 已知限制：access_manager_get 代理仅支持 GET 请求（Agent 端暂不支持 PUT）；collect_alarm_log_data 要求 log_directory 位于 /var/log/ 下；某些 strategy_name 值需要额外的 env 参数；在 manager 模式下，browse_log 要求提供完整的日志文件路径，start_log_search 的 services 必须遵循 component:service:role 格式，而某些 Manager 版本中的 get_alarms 可能返回 500（请改为浏览 Controller 的 exe.log）。
• 跨技能依赖：此技能引用了 huawei-cloud-mrs-host-alarm-diagnose 技能中的告警诊断文档（lakewatch 模式下为 ../huawei-cloud-mrs-host-alarm-diagnose/alarms/<id>.md，manager 模式下为 alarm_manager/<id>.md）。依赖声明和处理规则请参阅前提条件第 5 节。如果未安装告警技能，请告知用户，并继续通用故障诊断流程。