排障 on 姚玉亮的网络日志

线上问题排查方法论：从日志、链路到监控

Sun, 19 Jul 2026 10:30:00 +0800

一个报错，横跨四五个服务

做后端这些年，线上问题排查花掉的时间不比写新功能少。

在某 SaaS 公司时，宠物医疗 SaaS 系统从 fasthttp C/S 迁到 go-zero B/S，微服务一多，一个"医生开不了处方"的报错可能横跨网关、鉴权、处方、HIS 对接四五个服务。后来做 AI 数据平台，知识库问答服务和数据集管理服务又多了 LLM 调用、向量化、Temporal Worker 这些新组件，问题形态更杂。

坑踩得够多之后，我形成了一套固定的排障顺序：先看监控定边界，再查链路定位置，最后翻日志看细节。顺序反了，就是在大海里捞针。

先看监控：把边界画出来

告警来了先别急着登机器，先在 Grafana 上回答三个问题：影响面多大（单用户还是全量）、从什么时候开始（发版后还是突发）、哪个指标异常（错误率、延迟、CPU、内存、队列堆积）。

我们在 KubeSphere 上给每个服务配了 RED 指标（Rate、Errors、Duration），业务侧再加关键看板：统一支付平台看支付成功率和回调延迟，统一认证中心看登录失败率和各 Provider（腾讯云 SMS/SES）的错误码分布，知识库问答服务看首 token 建立延迟和各 LLM 供应商的超时率。

一张 dashboard，能先把"是不是我的问题、是我的问题大概在哪"筛掉八成。

再查链路：定位到那一步

确定是某个服务的问题后，用 trace_id 把整条请求链拉出来。我们在 go-zero 和 Hertz 里都接了 gRPC 拦截器和 HTTP middleware，把 trace_id 从入口一路透传到下游、MQ 消费者、Temporal Workflow。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22


// Hertz 中统一的 trace + 日志中间件
func AccessLog() app.HandlerFunc {
 return func(ctx context.Context, c *app.RequestContext) {
 traceID := string(c.Request.Header.Get("X-Trace-Id"))
 if traceID == "" {
 traceID = snowflake.NextString()
 c.Request.Header.Set("X-Trace-Id", traceID)
 }
 c.Response.Header.Set("X-Trace-Id", traceID)

 start := time.Now()
 c.Next(ctx)

 log.Info("http access",
 zap.String("trace_id", traceID),
 zap.String("method", string(c.Method())),
 zap.String("path", string(c.Path())),
 zap.Int("status", c.Response.StatusCode()),
 zap.Duration("cost", time.Since(start)),
 )
 }
}

拿到 trace_id 去 Jaeger 看瀑布图，一眼能看出哪个 span 慢、哪个 span 报错。AI 场景里我特意把对 LLM 的调用、向量检索、S3 上传都包成独立 span，不然一个"回答超时"，你根本分不清是模型慢还是检索慢。

最后翻日志：看为什么

trace 定位到具体服务和时段后，去 ELK 用 trace_id: "xxx" 精确捞日志。

我们的日志规范是：顶层打印请求入参和最终错误，中间层只追加上下文、不重复打错误，错误用 zap.Error(err) 带堆栈。一条合格的错误日志，应该能直接回答"什么操作、什么入参、为什么失败"。

四条规矩

第一，日志别瞎打。早期有人在循环里打全量文档内容，一次解析任务日志几百 MB，ELK 直接被打爆。后来定了规矩：DEBUG 级别打细节，生产默认 INFO；大对象只打 ID 和长度；敏感字段（手机号、密钥）一律脱敏。统一认证中心里这是红线。

第二，告警要可收敛。每个错误都告警等于没有告警。按服务 + 错误类型聚合，5 分钟内同类错误只发一条，再配升级策略：错误率超阈值且持续 10 分钟才打电话。夜间告警的质量，直接决定你能不能睡个整觉。

第三，异步任务的 trace 要手动续上。MQ 消费者和 Temporal Workflow 是新的执行上下文，trace_id 不会自动传过去，必须生产端塞进消息体、消费端取出来注入 context。这块漏了，异步链路就是断的，排障时最痛苦。

第四，回滚优先于根因。KubeSphere 容器化部署后，回滚 5 分钟内搞定。发现是发版引起的问题，第一反应是回滚，不是在线上 debug。业务恢复之后再慢慢查根因，顺序不能反。

后来

排障能力拼的不是谁见过的错误多，而是有没有一套不依赖运气的检索路径。监控告诉你"哪里不对"，链路告诉你"在哪一步不对"，日志告诉你"具体为什么不对"。三件事平时建设好，告警响的时候才不会慌。

Jaeger 在微服务排障中的真实案例

Sun, 26 Oct 2025 10:30:00 +0800

病历保存偶尔要 5 秒

在某 SaaS 公司时期，我们把宠物医疗 SaaS 系统从 fasthttp C/S 架构迁到 go-zero B/S，服务拆成了十多个 gRPC 微服务，接了 Jaeger 做分布式链路追踪。

上线后医院端反馈：病历保存偶尔要 5 秒以上。高峰期尤其明显，又无法稳定复现。日志分散在各个服务里，光看 Nginx access log，根本判断不出卡在哪一跳。

每一跳都留 span

埋点用 OpenTelemetry SDK 统一做。gRPC unary interceptor 在服务端自动创建 span，客户端拦截器负责透传 trace context；Jaeger Collector 收 span 后写入 ES 后端，在 Jaeger UI 里按 operation 和耗时过滤。

关键一步是把 DB 查询、Redis 调用、外部 AI 影像判读接口都包成子 span，瀑布图才能真实反映每一跳的耗时。

埋点代码

初始化 TracerProvider，采样率先设 10%：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24


func InitTracer(ctx context.Context, serviceName, endpoint string) (*sdktrace.TracerProvider, error) {
 conn, err := grpc.DialContext(ctx, endpoint,
 grpc.WithTransportCredentials(insecure.NewCredentials()),
 )
 if err != nil {
 return nil, err
 }
 exp, err := otlptracegrpc.New(ctx, otlptracegrpc.WithGRPCConn(conn))
 if err != nil {
 return nil, err
 }
 tp := sdktrace.NewTracerProvider(
 sdktrace.WithBatcher(exp),
 sdktrace.WithResource(resource.NewWithAttributes(
 semconv.SchemaURL,
 semconv.ServiceName(serviceName),
 )),
 sdktrace.WithSampler(
 sdktrace.ParentBased(sdktrace.TraceIDRatioBased(0.1)),
 ),
 )
 otel.SetTracerProvider(tp)
 return tp, nil
}

gRPC 服务端拦截器，出错时记进 span：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


func TracingInterceptor(ctx context.Context, req any,
 info *grpc.UnaryServerInfo, handler grpc.UnaryHandler) (any, error) {
 tracer := otel.Tracer("grpc-server")
 ctx, span := tracer.Start(ctx, info.FullMethod)
 defer span.End()
 resp, err := handler(ctx, req)
 if err != nil {
 span.RecordError(err)
 span.SetStatus(codes.Error, err.Error())
 }
 return resp, err
}

DB 查询也挂上 span，这样瀑布图里能看到每一次落库：

1
2
3


ctx, span := tracer.Start(ctx, "db.patient.save")
defer span.End()
err := db.WithContext(ctx).Create(&patient).Error

minDuration=3s，根因一眼可见

那次 5 秒卡顿，我们在 Jaeger UI 里用 minDuration=3s 过滤，把所有超过 3 秒的 trace 捞出来，根因基本就摆在瀑布图上了。

病历保存链路会同步调用 AI 影像判读服务，这个服务冷启动时加载模型要 4 秒多，而前端在同步等结果。改法是把 AI 调用改成异步落库加回调通知，改完 P99 立刻降到几百毫秒。

其他几个坑

第一，采样率不要一刀切。登录、支付这种核心链路我用 100% 采样（通过 span attribute 标记），普通查询 10%，不然 Jaeger 后端扛不住。

第二，context 透传是重灾区。go-zero 里有些自定义 goroutine 没把 ctx 传进去，trace 直接断链。我们规定所有异步任务必须显式接 context；跨 Kafka/RabbitMQ 时，用 otel.GetTextMapPropagator().Inject 把 carrier 塞进消息 header。

第三，span 不是越多越好。一个 for 循环里每条 SQL 都开 span，UI 会卡死，批量操作只开一个聚合 span。

第四，别把大对象塞进 span attribute，请求体只记摘要和 ID，不然 Jaeger 查询本身会很慢。

后来

那次排查之后我养成一个习惯：任何一次跨服务的慢请求，先开 Jaeger 看瀑布图，而不是翻日志。链路追踪的价值不在"接了"，而在用它解决具体问题。Trace 就是微服务时代的调试器，没有它，十多个 gRPC 服务之间的调用就是一个黑盒。

封面图：somegeekintn / Flickr · CC BY 2.0