dmesg里先是可纠正的replay，接着某个BDF消失，业务进程开始报设备找不到。不要立刻pci rescan当常规动作：如果是电源轨道在加速卡拉载时掉到阈值以下，rescans只会让它再死一次。先看12 V或母线在故障时刻有没有凹陷、机箱电源告警、以及AER里是replay_timer还是致命的completer abort。链路重训练成功但设备不回来，可能是固件进入了需要二次上电的状态，这时应走槽位热复位或整机上下电，而不是循环rescan。调试把pcie_aer、电源监控和作业日志打到同一时间轴，十分钟的对应关系比单独看一行AER解码有用。生产上要限制自动rescan的频率，并在连续失败后把节点打成不可调度，避免调度器把同样的作业再送回来。这类问题按硬件事件处理，不要先去改训练框架的重试次数。