![[Bug]: Custom `input_cost_per_token_above_ _tokens` tiers are silently dropped unless N is 128k/200k/272k](https://www.chat-gpts.plus/wp-content/uploads/2026/06/30344-fbe5ac89-768x403.jpg)
用户在使用 litellm.register_model 注册自定义模型时，配置了 input_cost_per_token_above_500k_tokens 之类的分层定价键，但在调用 litellm.cost_calculator.cost_per_token 计算成本时，系统并未使用该分层价
用户在使用 LangChain 的异步调用功能时触发，例如通过异步回调管理器处理事件、渲染 Mermaid 图表（使用 pyppeteer）、或调用 OpenAI 聊天模型时获取 API Key。具体涉及文件中包含三个异步函数： _ahandle_event_for_handler 、 _rende
在 ComfyUI 中加载 Metric3D-DepthMapPreprocessor 节点时触发崩溃，节点 ID 为 95。该节点尝试从 timm.models.layers 导入 trunc_normal_ 和 DropPath ，但新版 timm 已将这些模块移至 timm.layers ，导
![[Bug]: RPC call to sample_tokens timed out. Qwen3.5-397B-A17B](https://www.chat-gpts.plus/wp-content/uploads/2026/06/35496-ef53c44d-768x403.jpg)
用户在 NVIDIA H200 GPU 上部署 Qwen3.5-397B-A17B 模型，遵循官方部署指南（https://github.com/vllm-project/recipes/blob/main/Qwen/Qwen3.5.md），使用 8 张 GPU 并启用了 tensor_parall
用户在使用 Langfuse Python SDK 集成 LangChain 回调管理器时，创建了一个继承 BaseTool 并设置了 handle_tool_error = True 的 LangChain 工具。当工具抛出 ToolException 时，LangChain 正确调用了 on_t
用户在使用 Langfuse Python SDK（ langfuse.langchain.CallbackHandler ）与 LangChain 结构化工具（如通过 @tool 装饰器定义的工具）时，在 Langfuse UI 中发现工具观测的输入字段显示的是原始 Python 字典字符串（例如
![[Bug]: MCP Gateway returns hardcoded `serverInfo.name = "litellm-mcp-server"` for every `/mcp/{alias}` endpoint](https://www.chat-gpts.plus/wp-content/uploads/2026/06/29800-abdeaae3-768x403.jpg)
用户在 LiteLLM 代理的 config.yaml 中配置了多个 mcp_servers （如 Grafana、Home Assistant、N8N 等），并通过 /mcp/{alias} 端点访问每个服务器。MCP 客户端（如 VS Code MCP 选择器、MCP Inspector、Fas
用户在 Langfuse 4.x 版本中，通过 OpenInference Claude Agent SDK 探针（ openinference-instrumentation-claude-agent-sdk ）将多 Agent 工作流的追踪数据通过 OTel 协议导入 Langfuse。典型场景
用户通过 Docker 部署 RAGFlow (v0.17.1 slim) 后启动服务，发现日志中 Elasticsearch 和 Infinity 均连接失败，最终无法登录 Web 页面。报错集中在 Infinity 客户端尝试连接远程 Thrift 端口 (23817) 时出现 TimeoutE
![[Question]: Why does reranking need to recalculate the scores for vector search and full-text search?](https://www.chat-gpts.plus/wp-content/uploads/2026/06/7784-f56cea63-768x403.jpg)
用户在使用 RAGFlow 进行检索增强生成（RAG）时，从数据库中通过向量搜索和全文搜索获取了一批数据后，观察到 rerank 阶段（在 Python 脚本中）重新计算了分数，而没有直接使用数据库原始分数。用户质疑这种重算行为可能破坏基于原始相关性的排序，从而降低查询准确性。