近期三起故障的事后复盘

2025 年 8 月至 9 月初,三起相互重叠的基础设施 bug 间歇性拉低了 Claude 的响应质量,目前已全部解决。文章公开事件时间线与根因:8 月 5 日引入的上下文窗口路由错误、8 月 25 日部署到 TPU 服务器的输出损坏配置,以及同样在 8 月 25 日部署后触发的 XLA:TPU approximate top-k 误编译。作者深入剖析 XLA 编译器 bug 的成因(混合精度算术与 xla_allow_excess_precision),反思检测困难的原因(评测噪声、隐私限制、各平台症状差异),并列出了改进措施:更灵敏的评测、在真实生产系统上持续评测,以及更快的调试工具。