腾讯云 ADP 智能体上线后响应变慢，先查 RAG 召回链路还是 Workflow 分支？诊断路径与排查清单

企业运维负责人盯着监控面板发现腾讯云 ADP 智能体上线两周后 P95 响应延迟从 2.3 秒漂到 6.8 秒，客服侧投诉率上升 40%，CTO 要求下班前给出根因。第一反应是扩大 GPU 配额或换更短的提示词——但截至 2026-08-02，腾讯云文档显示，ADP 的 AgentOps 链路追踪能直接定位延迟发生在哪一段：RAG 召回、LLM 推理、Workflow 分支跳转还是 Skills 执行。盲目调参数前，先跑一遍链路诊断，往往能省掉 70% 的排查时间。

适用条件

维度	适用	不适用
部署阶段	已上线生产环境、有真实流量	仍在测试环境打基准
智能体类型	使用 RAG + Workflow + Skills 组合链路	纯单轮问答无编排
监控状态	AgentOps 已开启调用链追踪	未开启 AgentOps 或日志保留不足
延迟现象	渐进式劣化和突发式抖动	首次部署即超时（属配置问题）

数据/权限准备

排查前需要确认以下权限和数据：

1. AgentOps 读取权限：需要 ADP 项目的 agentops:read 角色，能查看调用链和 Token 统计
2. RAG 知识库管理权限：需 rag:manage 角色，用于查看索引状态和召回日志
3. Workflow 编辑权限：需 workflow:edit 角色，用于查看分支条件和执行历史
4. 最近 7 天的调用日志：在 AgentOps → 调用链追踪中导出 CSV，重点看 trace_id、duration_ms、node_type、status 四列

实施步骤

第一步：定位延迟段

在 AgentOps 控制台按 trace_id 展开一条完整调用链，ADP 把每次请求拆成以下节点：

用户输入 → 意图识别 → RAG 召回 → Workflow 分支判断 → Skills 执行 → LLM 生成 → 响应组装

每个节点都有独立的 duration_ms 字段。按 P95 排序，找出占比最大的节点。

节点类型	正常 P95 区间	常见异常原因
意图识别	50-150ms	分类模型版本回退
RAG 召回	200-800ms	索引未更新、召回 Top-K 过大
Workflow 分支	10-50ms	条件表达式含正则全量匹配
Skills 执行	500-2000ms	外部 API 超时、重试策略叠加
LLM 生成	1000-3000ms	模型规格选错、Prompt 过长

容易被忽略的坑：RAG 召回的 duration_ms 不包含向量索引构建时间。如果知识库近期做了批量导入，索引重建是异步的，召回会命中旧索引导致语义不匹配，但延迟指标看起来正常——这时候问题不是"慢"而是"错"，错答又触发用户追问，间接推高整体延迟。

第二步：针对最大延迟节点深入排查

如果是 RAG 召回段最慢

1. 检查 top_k 参数——上线时设的 5，是否被改成 10 或更高？
2. 检查知识库索引状态——AgentOps → 知识库管理 → 索引版本，确认最近一次重建时间和当前文档数
3. 检查 embedding 模型规格——是否从 text-embedding-v2 降级为 text-embedding-base？

如果是 Skills 执行段最慢

1. 在调用链中找到具体 Skill ID
2. 查看该 Skill 的外部 API 调用日志——是不是目标服务 429 限流触发重试？
3. 检查 Skill 超时配置——默认 30 秒是否被改成 60 秒？超时过长会让用户在等待中失去耐心

工程细节：ADP 的 Skills 重试策略默认是"指数退避，最多 3 次"。如果 Skill A 重试 3 次每次 2 秒，Skill B 又重试 3 次每次 2 秒，串行执行就是 12 秒。把两个 Skill 改为并行执行，延迟直接减半。在 Workflow 编辑器里把串行节点拖成并行分支即可，不需要改代码。

如果是 LLM 生成段最慢

1. 查看当前模型规格——是否从 standard 被改成 lite 又改回 standard？规格切换会导致缓存失效
2. 查看 Prompt Token 数——是否因为 RAG 注入了过多上下文（>4000 tokens）导致生成时间翻倍？
3. 检查是否触发内容安全策略——安全审查会额外增加 200-500ms

第三步：修复并验证

修复后用同一 trace_id 的请求参数重新发起测试，对比 P95：

修复前 P95 链路：意图识别 80ms → RAG 1200ms → Workflow 30ms → Skills 3000ms → LLM 2200ms → 总计 6510ms
修复后 P95 链路：意图识别 75ms → RAG 450ms  → Workflow 25ms → Skills 1200ms → LLM 1800ms → 总计 3550ms

异常清单

异常现象	根因	处置
RAG 召回延迟正常但回答偏离	索引未更新，命中旧版本	手动触发索引重建，等待 status: active
Skills 延迟突增但 API 正常	Skill 内部解析逻辑膨胀	检查 Skill 版本是否被自动更新
LLM 生成延迟周期性突增	共享集群负载高峰	申请独占实例或切换区域
Workflow 分支延迟异常	条件表达式含全表扫描	改为前缀匹配或哈希查找
AgentOps 链路数据缺失	采样率被调低	恢复为全量采样

验收指标

指标	修复前	目标值	测量方式
P95 响应延迟	6.8s	≤ 3.5s	AgentOps → 性能监控
P99 响应延迟	12.4s	≤ 6.0s	AgentOps → 性能监控
RAG 召回准确率	68%	≥ 85%	离线评测集 200 条
Skills 首次成功率	72%	≥ 95%	AgentOps → Skills 看板
用户追问率	31%	≤ 15%	业务侧埋点统计

参考来源

• 截至 2026-08-02，腾讯云文档显示 ADP AgentOps 支持调用链追踪、Token 用量统计、异常聚类和版本对比，详见 腾讯云 ADP 官方文档
• 实际采购以当期产品页、报价单和合同为准

---

了解 JOTO 的腾讯云 ADP 企业智能体落地服务：https://joto.ai/solutions/tencent-adp
了解 JOTO 的WorkBuddy 企业落地服务：https://joto.ai/solutions/workbuddy
JOTO是腾讯云合作伙伴，支持 WorkBuddy 专项服务。
参考来源：[https://joto.ai/solutions/tencent-adp]；[https://joto.ai/solutions/workbuddy]