知识点思维导图
27 个知识节点
生产工程（20） - 超时、重试、熔断、限流与降级
读完后，你应能完成以下任务：
- 绘制“生产工程（20） - 超时、重试、熔断、限流与降级 / 预算传播”的关键对象与数据流，解释“只对瞬时错误和可幂等操作重试，使用指数退避加随机抖动，并限制最大次数和重试总流量。”，并用源码位置、日志或 Trace 标注证据。
- 为“生产工程（20） - 超时、重试、熔断、限流与降级 / 预算怎么计算”设计正常与异常输入，验证“就切备用小模型或明确失败。”，输出首个偏差位置与回归测试结果。
- 实现“生产工程（20） - 超时、重试、熔断、限流与降级 / 熔断与限流”的最小代码或配置，检验“熔断器在依赖持续失败时快速拒绝，半开状态用少量探测判断恢复；”，输出命令、结果与 Diff，并说明不适用边界。
可靠性控制必须共享端到端预算；每一层各自重试三次，会把一次故障放大成指数级流量。
核心知识清单
- 端到端 Deadline 与分层 Timeout
- 有界重试、指数退避与 Jitter
- 幂等键、重试预算与副作用保护
- 熔断、并发隔离与背压
- 用户、租户与模型供应商限流
- 缓存、备用模型、拒答与转人工降级
一、先建立全局：超时、重试、熔断、限流与降级 是什么？
理解“超时、重试、熔断、限流与降级”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。
“超时、重试、熔断、限流与降级”的第一个核心判断是：只对瞬时错误和可幂等操作重试，使用指数退避加随机抖动，并限制最大次数和重试总流量。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。
| 顺序 | 章节 | 读完本节应抓住的结论 |
|---|---|---|
| 1 | 预算传播 | 只对瞬时错误和可幂等操作重试，使用指数退避加随机抖动，并限制最大次数和重试总流量。 |
| 2 | 预算怎么计算 | 就切备用小模型或明确失败。 |
| 3 | 熔断与限流 | 熔断器在依赖持续失败时快速拒绝，半开状态用少量探测判断恢复； |
| 4 | 降级顺序 | 根据业务风险预定义：命中已验证缓存 → 减少召回或跳过 Rerank → 切备用模型 → 返回带限制的部分结果 → 转人工 → 明确失败。 |
| 5 | 验收与排障 | 检查总请求数是否被重试放大、P99 是否突破 Deadline、熔断半开是否只放少量探测。 |
| 6 | 端到端 Deadline 与分层 Timeout | 可靠性控制必须共享端到端预算； |
1.1 核心对象之间怎样衔接
flowchart LR
S1["预算传播"] --> S2
S2["预算怎么计算"] --> S3
S3["熔断与限流"] --> S4
S4["降级顺序"] --> S5
S5["验收与排障"]
这张图只表达本文的讲解顺序，不替代正文机制。判断“超时、重试、熔断、限流与降级”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。
1.2 再看失败：问题最早会出现在哪一步？
在“超时、重试、熔断、限流与降级”的对象和顺序已经明确后，再看可观察的失败：只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。
二、预算传播
入口设置总 Deadline，检索、Rerank、模型和 Tool 从剩余时间分配子预算。 只对瞬时错误和可幂等操作重试，使用指数退避加随机抖动，并限制最大次数和重试总流量。 模型流式响应开始后通常不能透明重试，否则用户会看到重复内容。
三、预算怎么计算
假设入口 Deadline 为 8 秒，
网关和序列化预留 0.5 秒，
检索 1 秒、Rerank 0.8 秒、模型 5 秒，
剩余 0.7 秒作为抖动余量。
每一步开始前用 remaining = deadline - now 重新计算，
子调用超时取“阶段上限”和 remaining 的较小值；
remaining 已不足完成最低服务时立即降级，不再发起注定超时的调用。
重试只消费公共预算。
例如首次模型调用 2 秒失败，
剩余 3 秒不足以再执行完整 5 秒请求，
就切备用小模型或明确失败。
退避可按 min(cap, base * 2^attempt) + random_jitter 计算，
但必须同时设置最大尝试次数、最大累计等待和全局重试流量比例。
四、熔断与限流
熔断器在依赖持续失败时快速拒绝，半开状态用少量探测判断恢复； 并发隔离避免一个慢供应商耗尽全部连接。 限流至少区分用户、租户、接口和供应商配额，队列满时明确拒绝或降级，不能无限堆积等待。
五、降级顺序
根据业务风险预定义：命中已验证缓存 → 减少召回或跳过 Rerank → 切备用模型 → 返回带限制的部分结果 → 转人工 → 明确失败。 没有证据时生成“看起来合理”的答案不是降级，而是质量事故。
六、故障决策表
| 信号 | 是否重试 | 保护动作 | 用户结果 |
|---|---|---|---|
| 连接建立前超时 | 幂等请求可重试一次 | 缩短子预算、切备用区 | 明确显示正在降级 |
| 429 且有 Retry-After | 按配额和剩余预算决定 | 租户限流、指数退避 | 排队上限后快速失败 |
| 5xx 突增 | 少量探测 | 熔断、并发隔离 | 缓存或备用模型 |
| 流式响应中断 | 不透明重放已输出内容 | 标记 partial | 保留片段和 trace_id |
| Tool 副作用结果未知 | 不自动重试 | 用幂等键查询状态 | 显示处理中或转人工 |
七、验收与排障
压测时分别注入慢请求、429、5xx、连接中断和队列满，
检查总请求数是否被重试放大、P99 是否突破 Deadline、熔断半开是否只放少量探测。
每次调用记录 deadline_ms、attempt、retry_reason、breaker_state、queue_wait_ms 和最终降级原因。
若错误率下降但总延迟上升，优先检查无界队列和嵌套重试，而不是继续增加超时。
八、动手验证：先跑通 超时、重试、熔断、限流与降级，再改变一个变量
前面的章节已经建立问题、概念和机制。现在把“超时、重试、熔断、限流与降级”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。
8.1 基线与候选只允许一个变量不同
验证“超时、重试、熔断、限流与降级”时，先固定版本化数据集、Trace Schema、质量基线、运行指标、成本预算和回退阈值。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。
执行“超时、重试、熔断、限流与降级”时，动作是：同输入运行基线与候选，逐样本比较质量并关联线上延迟、错误与成本。原始结果不能只保留截图或汇总分数，必须同步保存：逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断，使下一次复查可以在同一输入上重放。
| 实验要素 | 本文要求 |
|---|---|
| 固定条件 | 版本化数据集、Trace Schema、质量基线、运行指标、成本预算和回退阈值 |
| 唯一变量 | 本次候选方案与基线之间的一项明确差异 |
| 原始证据 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 |
| 通过阈值 | 目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段 |
| 立即停止 | 只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失 |
8.2 执行前先排除不可比较条件
“超时、重试、熔断、限流与降级”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。
- 基线能够在“超时、重试、熔断、限流与降级”的当前环境重复运行。
- 候选只改变一个与“超时、重试、熔断、限流与降级”结论直接相关的条件。
- “超时、重试、熔断、限流与降级”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
- “超时、重试、熔断、限流与降级”的原始输出和失败现场不会被重试、格式化或汇总覆盖。
8.3 执行后先核对证据完整性
结果出来后先检查证据，再讨论“超时、重试、熔断、限流与降级”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。
| 检查项 | 当前文章的判定 |
|---|---|
| 输入可追溯 | 版本化数据集、Trace Schema、质量基线、运行指标、成本预算和回退阈值 |
| 过程可回放 | 同输入运行基线与候选，逐样本比较质量并关联线上延迟、错误与成本 |
| 结果可审计 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 |
“超时、重试、熔断、限流与降级”的一次合格基线对照按以下顺序执行：
- 保存“超时、重试、熔断、限流与降级”基线版本及输入摘要，确认基线本身可以重复运行。
- 写下“超时、重试、熔断、限流与降级”候选方案唯一变化的变量，以及它预期影响的指标。
- 在同一环境执行“超时、重试、熔断、限流与降级”：同输入运行基线与候选，逐样本比较质量并关联线上延迟、错误与成本。
- 为“超时、重试、熔断、限流与降级”保存：逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断。
- 使用“超时、重试、熔断、限流与降级”预登记条件判断：目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段。
- 如果“超时、重试、熔断、限流与降级”未通过，不修改第二个变量，先恢复基线并保留失败现场。
九、用一张矩阵验证 超时、重试、熔断、限流与降级 的关键结论
矩阵按正文顺序列出“超时、重试、熔断、限流与降级”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。
| 正文章节 | 已解释的结论 | 本轮唯一变量 | 必须保存的证据 |
|---|---|---|---|
| 预算传播 | 只对瞬时错误和可幂等操作重试，使用指数退避加随机抖动，并限制最大次数和重试总流量。 | 只改变与“预算传播”相关的条件 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 |
| 预算怎么计算 | 就切备用小模型或明确失败。 | 只改变与“预算怎么计算”相关的条件 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 |
| 熔断与限流 | 熔断器在依赖持续失败时快速拒绝，半开状态用少量探测判断恢复； | 只改变与“熔断与限流”相关的条件 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 |
| 降级顺序 | 根据业务风险预定义：命中已验证缓存 → 减少召回或跳过 Rerank → 切备用模型 → 返回带限制的部分结果 → 转人工 → 明确失败。 | 只改变与“降级顺序”相关的条件 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 |
| 验收与排障 | 检查总请求数是否被重试放大、P99 是否突破 Deadline、熔断半开是否只放少量探测。 | 只改变与“验收与排障”相关的条件 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 |
| 端到端 Deadline 与分层 Timeout | 可靠性控制必须共享端到端预算； | 只改变与“端到端 Deadline 与分层 Timeout”相关的条件 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 |
9.1 记录本次实际实验
下面的记录用于“超时、重试、熔断、限流与降级”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。
topic: "超时、重试、熔断、限流与降级"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "同输入运行基线与候选，逐样本比较质量并关联线上延迟、错误与成本"
evidence: "逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断"
pass_when: "目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段"
stop_when: "只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure
9.2 边界实验必须证明能够停止和恢复
成功路径只能证明“超时、重试、熔断、限流与降级”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失，并观察系统是否在产生不可逆副作用前停止。
| 场景 | 只改变什么 | 应保存什么 | 通过标准 |
|---|---|---|---|
| 正常路径 | 使用已知有效输入 | 逐样本输出、评分理由、Trace、指标窗口、失败标签、版本和发布判断 | 目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段 |
| 边界路径 | 把一个输入推进到约束临界值 | 临界值前后的输出与指标 | 不静默降级，不把部分结果冒充成功 |
| 明确失败 | 注入：只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失 | 原始错误、首个异常阶段和最终状态 | 失败被正确分类且没有扩大副作用 |
| 恢复重放 | 执行：停止扩量，保留基线，按数据、Prompt、模型、应用或评审阶段隔离失败 | 原失败样本的复测证据 | 原样本恢复，正常样本没有回归 |
恢复动作不是简单重启。对于“超时、重试、熔断、限流与降级”，第一步是：停止扩量，保留基线，按数据、Prompt、模型、应用或评审阶段隔离失败。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。
“超时、重试、熔断、限流与降级”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。
十、超时、重试、熔断、限流与降级 的结果解释
解释“超时、重试、熔断、限流与降级”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。
| 观察结果 | 可以支持的判断 | 下一步 |
|---|---|---|
| 主链路没有达到预期 | 只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失 | 先执行：停止扩量，保留基线，按数据、Prompt、模型、应用或评审阶段隔离失败 |
| 异常链路无法恢复 | 只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失 | 先执行：停止扩量，保留基线，按数据、Prompt、模型、应用或评审阶段隔离失败 |
| 新样本成功但原样本仍失败 | 修复没有覆盖原始触发条件 | 固定原失败输入，恢复基线后重新比较 |
| 指标改善但证据无法回链 | 数据、版本或中间状态没有固定 | 暂停发布，补齐可追溯记录后重跑 |
“超时、重试、熔断、限流与降级”只有同时满足“目标切片改善且安全、延迟与成本不越界，失败样本能回链到首个异常阶段”，并且没有出现“只报告均分、数据泄漏、评审器未校准、Trace 断链或回退阈值缺失”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。
如果“超时、重试、熔断、限流与降级”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。
“超时、重试、熔断、限流与降级”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。
十一、超时、重试、熔断、限流与降级 的发布判断
发布判断需要把“超时、重试、熔断、限流与降级”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。
- “超时、重试、熔断、限流与降级”的基线与候选只存在一个计划内变量。
- “超时、重试、熔断、限流与降级”的输入、代码、依赖、配置和数据版本可以追溯。
- “超时、重试、熔断、限流与降级”的正常、临界、失败和恢复样本使用同一套断言。
- “超时、重试、熔断、限流与降级”的原始输出、中间状态和失败现场已经保留。
- “超时、重试、熔断、限流与降级”的日志、Trace、截图和测试数据已经脱敏。
- “超时、重试、熔断、限流与降级”的停止条件、负责人和回滚入口已经演练。
- “超时、重试、熔断、限流与降级”尚未覆盖的输入、权限、容量和外部依赖已经登记。
最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“超时、重试、熔断、限流与降级”的判断，就不能发布。
十二、总结
- 预算传播：只对瞬时错误和可幂等操作重试，使用指数退避加随机抖动，并限制最大次数和重试总流量。
- 预算怎么计算：退避可按 min(cap, base 2^attempt) + random_jitter 计算，但必须同时设置最大尝试次数、最大累计等待和全局重试流量比例。
- 熔断与限流：熔断器在依赖持续失败时快速拒绝，半开状态用少量探测判断恢复；
- 降级顺序：根据业务风险预定义：命中已验证缓存 → 减少召回或跳过 Rerank → 切备用模型 → 返回带限制的部分结果 → 转人工 → 明确失败。
- 故障决策表：| 信号 | 是否重试 | 保护动作 | 用户结果 |
- 验收与排障：压测时分别注入慢请求、429、5xx、连接中断和队列满，检查总请求数是否被重试放大、P99 是否突破 Deadline、熔断半开是否只放少量探测。
学完自测
选择所有正确答案；提交后逐项核对判断依据。