inspired-by-atmosphere/ops-troubleshooting-skills/windows-gpu-troubleshooting

Windows GPU 诊断与排障

类级方法论：从"查清硬件"→"定位崩溃根因"→"驱动/能效处置"的完整链路。适用于 Windows 10/11 笔记本/台式机 + eGPU 坞。

1. 硬件枚举（先查清再动手）

• 用无 `$_` 的短 PowerShell -Command（bash 双引号内 $_ 会被 MSYS 展开成当前路径，命令直接炸）：

Get-CimInstance Win32_ComputerSystem/Win32_Processor/Win32_PhysicalMemory/Win32_VideoController/Win32_BaseBoard/Win32_NetworkAdapter/Win32_SoundDevice/Win32_Battery | Format-List ...

• nvidia-smi 全家桶：-L（卡列表）、--query-gpu=index,name,memory.total,memory.free,memory.used,clocks.gr,power.draw,temperature.gpu,fan.speed --format=csv
• ⚠️ 显存大小必查 `memory.total`：Win32_VideoController 的 AdapterRAM 是 32 位字段（>4GB 溢出显示 4GB）；memory.used=0 只说明空闲，不说明容量。曾因只看 used 误判 3070 为 8GB 被用户纠正（实为魔改 16GB）。
• eGPU 识别三件套：子系统 ID（SUBSYS_xxxx，1458=技嘉 / 17AA=联想 / 1B21=ASMedia 坞桥）、bus 位置（内置 01:00.0 vs 外接 0F:00.0）、SetupAPI 日志（%SystemRoot%\inf\setupapi.dev.log grep DEV ID 看父设备与安装时间）。
• 报告务必写明"当前状态 vs 如何激活"（交付脚本/配置后要说明默认态，避免用户困惑"为什么还是 270W"——能效模式是点脚本才生效的）。

2. 崩溃取证（死机/蓝屏别猜，拿 dump）

• 先开 AutoReboot + CrashDump（注册表 HKLM\SYSTEM\CurrentControlSet\Control\CrashControl：AutoReboot=1, CrashDumpEnabled=3，提权 reg add），否则死机只能长按电源、零证据。
• 事件语义（Windows 排障基本功）：
• Kernel-Power 41 = 系统启动时记录"上次关机异常"（时间戳=本次启动时刻，真正异常在启动前）。用户手动长按电源强关也会留——先问清用户是否有强制关机习惯，别把用户自己的操作当故障。
• Event 6008 写明"上次意外关机的精确时间"（定位异常时刻的钥匙）。
• BugCheck 1001（WER-SystemErrorReporting）给蓝屏码：0x50 驱动野指针 / 0x9F 驱动电源状态 / 0x19C 电源看门狗 / 0x116 显卡 TDR / 0x124 硬件(过热供电)。
• Kernel-Power 41 细读（Get-WinEvent 的 Properties 索引）：[6]=BugcheckCode、[8]=PowerBtnTs（长按电源键秒数）。Bugcheck=0 + PowerBtnTs>0 = 纯硬冻结无蓝屏；配合 %SystemRoot%\Minidump 只有零星 dump → 根因无法定位，"修"的成本高。
• 休眠/唤醒卡死（eGPU 机器常见）：雷电坞 eGPU + S0 现代待机（无 S3）笔记本，休眠(S4)切换硬卡死是典型（频率每 2-5 天一次，Bugcheck=0 无转储）。务实解：`powercfg /h off`（管理员；去掉 S4 深睡路径 + 释放 hiberfil.sys 13.5G，睡眠/合盖不受影响，快速启动关闭；恢复用 powercfg /h on）。流程：powercfg /a 看可用状态 → 关 → 复验 hiberfil.sys 消失。修复前先跟用户确认"修复成本高就关"的口径。
• dump 分析详见 references/crash-forensics.md + scripts/parse_dump.py。

3. 压力测试（压测前解锁锁频）

• FurMark 2.x CLI（图吧工具箱有）：furmark.exe --demo furmark-vk --gpu-index N --width 1280 --height 720 --msaa 1
• ⚠️ FurMark 的 gpu-index 是 Vulkan 枚举序号，不是 nvidia-smi 序号（虚拟显卡/核显占位，曾出现 0/1 都是 5060、3070 在 2）。先跑 10 秒预检看 nvidia-smi 利用率确认压的是哪张卡；映射表读 FurMark 目录 _furmark_log.txt 的 [Vulkan2] [ GPU N ] - name: 行。
• 采样脚本：scripts/gpu_stress.sh <秒数> <furmark索引>（每秒全参数采样，CSV 输出）。
• 分析方法：温度爬升速率（1 秒 30°C = 热阻大/硅脂问题）、风扇是否 100%（风扇满转还 85°C+ = 散热接触不良）、低温瞬时 vs 稳态频率（低温瞬时顶满功耗墙=供电没问题，是温度墙压频；稳态低频率=温度墙）。
• 详见 references/gpu-stress-testing.md。

3.5 笔记本内置独显功耗墙被系统锁定（5060 实测）

• 症状：满载功耗远低于标称（5060 Laptop 满载仅 27-30W），nvidia-smi -q -i N -d POWER 显示 Current Power Limit 只有 30W 而 Max 115W。
• 判定：提权 nvidia-smi -i N -pl <max> 后 Current Power Limit 不变 = 系统级功耗管理覆盖 NVML（联想等厂商锁定），NVML 改不了，别再试。
• 根因优先级：① 供电来源——只插 eGPU 坞的 PD 反充（60-100W）喂不饱高 TGP 笔记本（5060 版需原装 170W 适配器）；② Windows 电源计划"平衡"；③ 厂商散热模式 Fn+Q 停在静音/智能挡。
• 解锁路径（交给用户操作，脚本代劳不了）：Fn+Q 切性能模式 / 插原装适配器 / 电源模式选最佳性能。
• 教训：笔记本 GPU 功耗墙不一定受 nvidia-smi 控制；压测前先确认供电来源与电源模式，别把"功耗低"当显卡故障。
• 调查联想功耗挡位的路径（实测，避免重挖）：联想功耗模式（Fn+Q）由 EC 嵌入式控制器封闭管理——不落注册表（PcManager / LenovoFnHotkey / ImController / EMDriver 全查过均无 power/mode 值）、WMI 数据类读不到实例（LENOVO_GAMEZONE_DATA 等联想封闭）、配置散在 %ProgramData%\Lenovo\devicecenter\ludp\*.db。常规脚本 / nvidia-smi / PowerShell 都动不了它——确认与切换只能走 GUI：联想电脑管家（进程 LenovoPcManagerService / LenovoUtilityService / LenovoServiceAS）性能/散热模式，或按 Fn+Q 看屏幕 OSD 挡位提示。
• ⚠️ 用户交互教训：用户对硬件数据提出异议（"实际不可能是 30W"）时，别反复纠结数据真假/监视有没有问题——用数据一次说明（多次压测一致 + NVML 官方接口即够），然后立即转向调查根因设置。用户明确纠正过："我是要你调查笔记本怎么设置的，而不是继续纠结真假 30W"。

4. 魔改卡/改装卡铁律

• ⚠️ 魔改显存卡（如 3070 魔改 16GB）：显存吃功耗，严禁 `-pl` 设功耗墙（显存供电不足→掉卡），能效只能 -lgc 降核心频率。
• 能效模式：nvidia-smi -i <idx> -lgc 300,1650（需管理员）；锁频不持久，重启/驱动重装后失效——所以做成桌面脚本让用户点。
• 能效甜点判断：锁频值应基于实测满载频率（满载只有 1100MHz 时锁 1650 无约束=锁了个寂寞）。

5. NVIDIA 驱动更新

• 官网 API 查最新版（curl + 代理 + UA）：lookupValueSearch（TypeID 1→2→3 逐级拿 pfid）→ processFind 拿版本号。详见 references/nvidia-driver-update.md。
• 下载直链猜模式 + curl -r 0-0 验证 206；大文件后台 -L -C - 断点续传。
• 静默安装：setup.exe -s -noreboot（管理员）；装完验证版本+双卡；锁频会被重置需重新 -lgc；eGPU 驱动重装期间短暂掉线属正常。

6. 桌面工具脚本模式（用户"点开就"偏好）

• bat 自提权模板：

``bat @echo off net session >nul 2>&1 if %errorlevel% neq 0 ( powershell -Command "Start-Process '%~f0' -Verb RunAs" & exit /b ) <需管理员命令> pause ``

• 安全断开 eGPU：pnputil /disable-device "<完整实例ID>"（实例 ID 含 & 必须整体引号；/enable-device 恢复）。
• 脚本内容全英文避免 cmd GBK 编码坑，文件名可用中文。

Pitfalls（Windows + git-bash 环境）

• bash 双引号内 PowerShell 的 $_ 被 MSYS 展开成路径 → 用 \$ 转义，或写 .ps1，或设计无 $_ 写法；powershell -File 会卡审批，-EncodedCommand 需用户批准，无 $_ 的 -Command 智能审批自动过。
• MSYS 路径转换：把 $HOME/... 传给原生 exe 会被改写成盘符形式且路径变味 → 一律传 Windows 原生路径（%USERPROFILE%\...）。
• cmd 参数 /F 在 git-bash 写 //F（如 taskkill //F //IM）。
• nvidia-smi 的 -d FAN 不合法，用 --query-gpu=fan.speed。
• bash 后台任务用 terminal(background=true)+notify_on_complete，别在前台命令里 &。