alibaba AgentSight Fix Issues 流程
目标
在接到 AgentSight 的 Bug 修复任务时，严格按以下五个阶段执行，确保每轮迭代最小化改动、最大化验证。
了解问题 → 复现验证 → 根因分析 → 编码修复 → 验证修复
阶段 1：了解问题
目标：明确 Bug 的实际表现、预期行为和影响范围，在动手之前先想清楚。
- 阅读 issue 描述或 Bug 报告，提取关键信息：
- 实际表现：当前系统做了什么？（错误数据、缺失字段、异常行为等）
- 预期行为：系统应该做什么？
- 触发条件：什么场景下出现？（特定 Agent、特定 API、特定协议等）
- 影响范围：哪些数据/功能受影响？
- 定位相关代码模块，理解当前数据流路径（参考
docs/ARCHITECTURE.md流水线：Probes → Parser → Aggregator → Analyzer → GenAI → Storage） - 不要在这个阶段下结论或开始写代码，信息不充分时的判断大概率是错的
阶段产出：四要素摘要（实际表现、预期行为、触发条件、影响范围）。
阶段 2：复现验证
目标：在实际环境中从零运行一次完整流程，亲眼看到 Bug 发生。
硬性要求：
- 必须在实际环境中运行 agentsight trace，不要只看已有数据或旧 DB 就下结论
- 必须从零开始：停掉旧进程 → 清理旧数据 → 启动 trace（开启 debug 日志）→ 触发目标场景 → 查询 DB 确认 Bug 存在
- 收集 debug 日志，用于阶段 3 分析
阶段产出：实际观察到的现象（DB 数据、日志关键行），与阶段 1 的预期做对比。
阶段 3：根因分析
目标：基于阶段 2 收集的日志和数据，定位数据流在哪个环节断了。
原则：
- 先看日志证据，定位数据流断点，不要只凭代码推测
- 重点关注事件处理顺序（时序问题），agentsight 事件循环是串行的
- 验证旧代码的实际行为是否和预期一致（如 parsed_message 是否为 None、mapper 是否命中）
常见断点检查清单：
| 检查项 | 日志关键词 | 说明 |
|---|---|---|
| AggregatedResult 类型 | Analyzing aggregated result |
是 SseComplete 还是 Http2StreamComplete？ |
| ParsedApiMessage 是否生成 | Parsed OpenAI response |
没有 = analyzer 没产出 Message |
| response_id 是否提取 | chatcmpl- |
从 SSE body 或 parsed message |
| mapper 是否命中 | ResponseSessionMapper |
FileWrite 时序是否先于 LLM 事件 |
| PendingGenAI 是否入队 | queued for deferred |
没入队 = pending_response_id 为 None |
| complete_pending 是否更新 | Promoted pending→complete |
UPDATE 是否包含 session_id |
阶段产出：明确指出数据流在哪个环节断了，以及断裂的原因。
阶段 4：编码修复
目标：针对阶段 3 定位的断点，做最小范围的代码修改。
原则：
- 只改解决该问题所需的部分，无关改动不要顺手一起改
- 修复可能涉及多个断点时，每轮只修一个
提交前必须通过本地检查：
cargo fmtcargo clippy --all-targets -- -D warningscargo test
阶段 5：验证修复
目标：构建新版本并部署到运行环境，从零验证修复有效。
- 构建 release 版本
- 部署到运行环境（本地直接使用，远程环境需上传部署）
- 按阶段 2 的流程完整走一遍：清 DB → trace → 触发请求 → 查 DB，确认修复有效
验证结果处理
| 结果 | 动作 |
|---|---|
| Bug 已修复，无副作用 | 进入完成确认 |
| Bug 部分修复 | 回到阶段 3，分析剩余断点 |
| Bug 未修复或出现新问题 | 回到阶段 3 重新分析，不要在同一轮叠加更多修改 |
完成确认
- 问题场景在实际环境中从零验证通过
-
cargo test全部通过 - 无引入新的 clippy warning
- 改动范围仅限问题本身，无附带无关变更
注意事项
- 不要只看旧 DB 数据就下结论，必须从零运行一次完整流程
- 不要顺手改无关代码，每轮只修最小必要改动
- 验证失败时回到日志分析，不要盲目叠加代码