配置中心、消息队列、数据库这些,装过、接过、也查出过问题的,写在这儿。给步骤、给配置,也给出错的时候该看哪一行。
2026 年 9 月 3 日,Claude、ChatGPT、Grok 三家服务同时不可用,恢复用了 3 小时 40 分。很多团队接了两家甚至三家,正是为了这一刻,但切换按钮那天没有用。这篇讲多接一家为什么不等于多一个故障域、备用模型要满足什…
一次点击要穿过五层服务,每层都设了超时,合起来却没人算过总数。这篇讲清三件事:时间预算该由入口定并往下传、三层都重试会让底层收到几十倍请求、写操作为什么不该重试;末尾给出今天就能改的四件事。
四年前特意留的一步,被新人当成多余改掉了,第一次大促就超卖。这篇说清哪些架构决定该写下来、写哪几样、放在哪、谁签字、多久回头对一次。
活动当天卡住的那一步,平时看不出来。压测要带回来的不是一个最大人数,是先出问题的位置、当天的处理顺序和一条能说清的余量。
两家系统对接,一方改动字段,另一方往往最后知道。这篇讲清改动常见的三种样子、先报错和先算错哪一种更难发现、自己这一侧要备好的三种反应。