AI_DIAGNOSE_ERROR Fehlerzustand

SQLSTATE: 56000

Fehler beim Diagnostizieren des Problems.

AMBIGUOUS_LOG_DESTINATION

AI_DIAGNOSE konnte nicht bestimmen, welches Verzeichnis unter dem Log-Ziel <logDestination> die Spark-Ereignisprotokolle enthält: Es wurden mehrere Kandidatenunterverzeichnisse gefunden, und keines enthält direkt ein 'service=eventlog'-Verzeichnis. Bitte geben Sie den genauen Zielpfad des Logs an (das Verzeichnis, das direkt 'service=eventlog/' enthält).

AVAILABILITY_CHECK_FAILED

AI_DIAGNOSE Die Modellverfügbarkeit konnte vor dem Aufruf des LLM nicht überprüft werden: <errorMessage>

CLUSTER_LAUNCH_FAILED

Der Job Run <runId> hat eine klassische Cluster-Konfiguration, aber der Cluster startete nie (der Cluster wurde nicht zugewiesen). Dies wird typischerweise durch einen Berechtigungsfehler oder ein Quotenproblem während der Clustererstellung verursacht.

Gleichzeitige Aufgaben werden nicht unterstützt.

Mehrere cluster_ids in Joblauf <runId> gefunden. AI_DIAGNOSE unterstützt keine gleichzeitigen Aufgabenausführungen, da Protokolle nicht isoliert sind.

KONTEXTFENSTER_ÜBERSCHRITTEN

Kontextfenster überschritten: Geschätzte <estimatedTokens> Token überschreiten die maximal zulässigen Token von <thresholdTokens>.

ENDPOINT_NOT_CONFIGURED

AI_DIAGNOSE der Endpunkt ist nicht konfiguriert. Legen Sie spark.databricks.sql.aiDiagnose.endpointName fest, oder übergeben Sie model_endpoint an die Prozedur.

HTTP_REQUEST_FAILED

Fehler bei der Remote-HTTP-Anforderung: <errorMessage>

INTERNER_FEHLER

Interner Fehler: <errorMessage>

INVALID_ARGUMENT

Ungültige Argumente für AI_DIAGNOSE: <errorMessage>

INVALID_RUN_ID

ungültige Ausführungs-ID <runId>: Der zugeordnete Cluster kann nicht aufgelöst werden. Vergewissern Sie sich, dass die Ausführungs-ID korrekt ist und Sie über die Berechtigung zum Anzeigen verfügen.

LLM_AUTH_FAILED

DER LLM-Endpunkt <endpointName> hat die Anforderung mit HTTP <httpStatusCode>abgelehnt: <errorMessage>. Überprüfen Sie, ob die aufrufende Identität Zugriff auf den Endpunkt hat.

LLM_ENDPOINT_NOT_FOUND

DER LLM-Endpunkt <endpointName> wurde nicht gefunden (HTTP <httpStatusCode>): <errorMessage>. Das Modell ist in diesem Arbeitsbereich möglicherweise nicht verfügbar.

LLM_NETWORK_TIMEOUT

Anforderung an den LLM-Endpunkt <endpointName> hat das Zeitlimit überschritten: <errorMessage>. Der Endpunkt ist möglicherweise langsam oder die Eingabeaufforderung zu groß.

LLM_NETWORK_UNREACHABLE

Der LLM-Endpunkt <endpointName>kann nicht erreicht werden: <errorMessage>. Überprüfen Sie die Arbeitsbereichsnetzwerkkonfiguration.

LLM_NOT_APPROVED

DER LLM-Endpunkt <endpointName> ist für diesen Arbeitsbereich nicht genehmigt: <errorMessage>. Verwenden Sie ein Modell, das für den Administrator dieses Arbeitsbereichs genehmigt wurde.

LLM_RATE_LIMITED

Der LLM-Endpunkt <endpointName> hat die Anfrage rate-limitiert (HTTP <httpStatusCode>): <errorMessage>. Wiederholen Sie den Vorgang zu einem späteren Zeitpunkt.

LLM_SERVER_ERROR

Der LLM-Endpunkt <endpointName> gab einen Serverfehler zurück (HTTP <httpStatusCode>): <errorMessage>.

FEHLERHAFTE_ANTWORT

Der LLM-Endpunkt hat eine falsch formatierte Antwort zurückgegeben: <errorMessage>

FEHLENDE_EREIGNISPROTOKOLLE

Spark-Ereignisprotokolle sind nicht über das Protokollziel <logDestination>verfügbar. AI_DIAGNOSE erfordert lesbare Ereignisprotokolle zum Analysieren der Spark-Ausführung. Zugrunde liegender Fehler: <underlyingError>

MISSING_INPUT_PROMPT

Der Parameter "prompt" ist erforderlich. prompt => '[description]' Übergeben Sie die Datei AI_DIAGNOSE mit einer Beschreibung des Problems, einschließlich der genauen Fehlermeldung oder Stapelablaufverfolgung aus der Auftragsausführung.

NO_AVAILABLE_MODELS

Für diesen Arbeitsbereich sind keine der bevorzugten Modelle verfügbar. Bevorzugt: <preferred>. Verfügbar: <available>.

PIPELINE_TASK_NOT_SUPPORTED

Job Run <runId> enthält eine Pipeline-Aufgabe (Spark Deklarative Pipelines auf Lakeflow/Lakeflow). AI_DIAGNOSE unterstützt keine Diagnose von Pipeline-Aufgaben, da sie keinen Standard-Spark-Cluster verwenden.

SERVERLESS_NICHT_UNTERSTÜTZT

Für die Jobausführung <runId> wurde serverlose Rechenkapazität erkannt. AI_DIAGNOSE unterstützt die Diagnose von Serverless-Auftragsausführungen nicht.

SPARK_EVENTS_CONNECTION_FAILED

AI_DIAGNOSE Es konnte die Spark Query Events aus dem AI-Diagnose-Service nicht lesen. Kontaktieren Sie den Azure Databricks Support, falls es weiterhin auftritt. Einzelheiten: <cause>

SPARK_EVENTS_CREDENTIALS_UNAVAILABLE

AI_DIAGNOSE konnte keine Zugangsdaten erhalten, um Spark Query Events vom AI-Diagnosedienst auszulesen. Kontaktieren Sie den Azure Databricks Support, falls es weiterhin auftritt.

SPARK_EVENTS_MISSING_WORKSPACE

AI_DIAGNOSE konnte Spark Query Events nicht lesen, weil die Arbeitsbereich-ID fehlt oder ungültig ist. Kontaktieren Sie den Azure Databricks Support, falls es weiterhin auftritt.

SPARK_EVENTS_OUT_OF_BOUND_PREDICATE

AI_DIAGNOSE Spark Query Events kann nicht scannen: Eine Prädikat auf der Spalte <column> ist nicht an den diagnostizierten Job gebunden (erlaubt: <allowed>, got: <got>).

SPARK_EVENTS_SERVICE_UNAVAILABLE

AI_DIAGNOSE konnte die Spark-Abfrageereignisse nicht lesen, da die URL des KI-Diagnosedienstes nicht verfügbar ist. Kontaktieren Sie den Azure Databricks Support, falls es weiterhin auftritt.

SPARK_EVENTS_UNEXPECTED_WORKSPACE_SCOPE

AI_DIAGNOSE hat das Lesen von Spark Query Events aufgehört, weil der Service einen unerwarteten Arbeitsbereichsbereich zurückgab. Kontaktieren Sie den Azure Databricks Support, falls es weiterhin auftritt.

SQL_TASK_NOT_SUPPORTED

Job Run <runId> enthält eine SQL-Aufgabe (SQL-Alert, SQL-Abfrage oder SQL-Dashboard), die auf einem SQL-Warehouse ausgeführt wird. AI_DIAGNOSE erfordert einen Spark-Cluster mit Log-Lieferung und unterstützt keine SQL-Warehouse-Aufgaben.

TOOL_CALL_TIMEOUT

Timeout des Tools nach <timeoutSeconds> Sekunden.

UNSUPPORTED_JOB_STATE

Der Jobstatus wird nicht unterstützt: <errorMessage>