用途：在 CoreWeave GPU 工作负载出现故障时，稳定客户影响、保留脱敏证据并恢复到已知良好状态。事件指挥官负责沟通与升级，响应者仅使用分诊所需的最小权限。
前提：事件 ID、指定指挥官、受影响命名空间/服务、值班升级路径；授权的只读集群访问权限，以及已记录的生产回滚版本；针对日志、提示词、模型产物和凭据的脱敏策略。
主要步骤：声明严重级别与范围，采集 Pod、事件、节点和服务状态；先用已记录的扩缩容、故障转移或回滚动作稳定影响，再做根因分析；仅收集脱敏且有界的诊断信息，硬件或容量问题通过 CoreWeave 支持升级；对照服务 SLO 验证恢复，更新相关方，并为根因与预防创建后续工作。
分诊命令： kubectl get pods -l app=inference -o wide kubectl get events --sort-by=.lastTimestamp | tail -20 kubectl get nodes -l gpu.nvidia.com/class -o wide kubectl exec -it $(kubectl get pod -l app=inference -o name | head -1) -- nvidia-smi
常见事件：推理服务中断（检查 Pod 状态与事件；OOMKilled 则减小批大小或升级 GPU；ImagePullBackOff 检查镜像仓库凭据；Pending 检查 GPU 配额与可用性）；GPU 节点故障（Pod 会自动重新调度，无容量时缩减非关键负载，长时间中断联系 CoreWeave 支持）；模型加载失败（检查 HuggingFace token secret 是否存在、模型名拼写、PVC 存储是否充足、容器日志中的下载错误）。
回滚：kubectl rollout undo deployment/inference
输出：带时间戳的事件记录，含范围、负责人、稳定动作与脱敏证据；已验证的恢复，或带安全客户影响缓解措施的明确升级。
错误处理：回滚失败时停止重复部署尝试，升级至平台负责人并保留事件；诊断信息含密钥时限制分发、轮换密钥并重新收集脱敏证据；无 GPU 容量时按批准策略优先关键服务，不得移除租户配额；恢复无法满足 SLO 时声明持续影响并使用批准的降级或沟通路径。
示例： kubectl -n inference-prod rollout undo deployment/inference kubectl -n inference-prod rollout status deployment/inference --timeout=10m kubectl -n inference-prod get events --sort-by=.lastTimestamp | tail -30 记录版本、结果与脱敏事件；不要重试损坏镜像，也不要公开暴露排障端点。
限制：资料未提供具体收费、价格、平台支持范围或效果保证；数据处理的更多内容参见 coreweave-data-handling。