日志 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。

用 Zap + ELK 构建 Go 服务结构化日志体系

Sat, 11 Oct 2025 10:30:00 +0800

一个请求，几十个 Pod

我之前主导过几个 Go 服务：统一认证中心、统一支付平台、知识库问答服务。早期都用标准 log 包打文本日志，服务之间走 gRPC，一个请求出了问题，就要在几十个 Pod 的日志里来回 grep，trace_id 还经常对不上，排障体验很差。

后来我们下决心，统一到 Zap 加 ELK 的结构化日志体系。

一条日志的旅程

大方向是这样的：Zap 用 NewProduction 的 JSON Encoder 出结构化日志，统一写 stdout；Filebeat 负责采集，交给 Logstash 清洗后写入 Elasticsearch；查问题的时候，在 Kibana 里按 trace_id 聚合查询。

trace_id、request_id、tenant_id 这些字段通过 context.Context 注入。Gin 中间件在 HTTP 入口生成或透传 trace_id，gRPC 拦截器从 metadata 里取出来挂到 logger 上，跨了进程也不丢。

知识库问答服务的流式接口还多打了一个会话 ID 字段，要复现某一轮对话，拿 ID 直接过滤就行。

Logger 初始化

生产和开发两套配置，生产开采样：

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


func NewLogger(env string) *zap.Logger {
 var cfg zap.Config
 if env == "production" {
 cfg = zap.NewProductionConfig()
 cfg.EncoderConfig.TimeKey = "ts"
 cfg.EncoderConfig.EncodeTime = zapcore.ISO8601TimeEncoder
 cfg.Sampling = &zap.SamplingConfig{
 Initial: 100,
 Thereafter: 100,
 }
 } else {
 cfg = zap.NewDevelopmentConfig()
 cfg.EncoderConfig.EncodeLevel = zapcore.CapitalColorLevelEncoder
 }
 lg, err := cfg.Build(zap.AddCallerSkip(1))
 if err != nil {
 panic(err)
 }
 return lg
}

trace_id 从哪来

Gin 中间件把 trace_id 塞进 context，顺手打一条访问日志：

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


const TraceIDHeader = "X-Trace-Id"

func AccessLog(lg *zap.Logger) gin.HandlerFunc {
 return func(c *gin.Context) {
 start := time.Now()
 tid := c.GetHeader(TraceIDHeader)
 if tid == "" {
 tid = uuid.NewString()
 }
 c.Writer.Header().Set(TraceIDHeader, tid)
 c.Set("logger", lg.With(
 zap.String("trace_id", tid),
 zap.String("path", c.Request.URL.Path),
 ))
 c.Next()
 lg.Info("http.access",
 zap.String("trace_id", tid),
 zap.Int("status", c.Writer.Status()),
 zap.Duration("latency", time.Since(start)),
 zap.String("client_ip", c.ClientIP()),
 )
 }
}

业务代码里通过 helper 取带字段的 logger：

1
2
3
4
5
6
7
8


type ctxKey struct{}

func FromContext(ctx context.Context) *zap.Logger {
 if l, ok := ctx.Value(ctxKey{}).(*zap.Logger); ok {
 return l
 }
 return zap.L()
}

gRPC 服务端拦截器从 metadata 透传 trace_id，保证跨进程能串起来，实现思路和上面类似，不展开了。

五个坑

第一个是 logger 选型。SugaredLogger 比强类型 Logger 慢约三成，知识库问答服务流式输出这种热路径上我们坚持用 Logger，只在脚本和启动阶段用 Sugared。

第二，生产环境一定要开 Sampling。有点反直觉，日志系统自己也会被日志打垮：下游一次故障触发的错误风暴，足以把 ES 打爆。Initial 和 Thereafter 按服务实际 QPS 调。

第三，脱敏是红线。AppSecret、RSA 私钥、Authorization 头，严禁原样打出来。统一认证中心里我们写了脱敏 hook，对 password、secret、token 这几个字段统一 mask。

第四，采集链路用 Filebeat，别让应用直连 ES，Pod 重启也不丢缓冲日志，稳得多。要记得配 multiline，把 panic 堆栈合并成一条。

第五，日志级别要能动态调。zap.AtomicLevel 配合配置中心，线上出问题时临时把某个服务调到 DEBUG，不用发版。

后来

这套体系搭好之后，最直观的变化是排障速度：统一认证中心跨服务的登录问题，从几十分钟缩到了分钟级。回头看，结构化日志的难点不在换个日志库，而在两件事：字段规范（trace_id、error、latency、biz_code）和上下游透传。简单说，Zap 决定"打什么、怎么打"，ELK 解决"去哪查"。

封面图：dfulmer / Flickr · CC BY 2.0