功能开关出问题时的排查顺序：从现象到根因

长期不清理的开关会变成隐性分支，半年后没人敢删，也没人说得清它现在是什么状态

正确的第一步是分类：起不来、连不上、跑得慢，三条路完全不同。

先说结论

先分三类，再由外向内查：网络、进程、配置、依赖、资源。

• 先确认现象能复现，且能描述清楚
• 由外向内：端口、进程、配置、依赖、资源
• 读第一条错误，不是最后一条
• 改一个变量，验证一次，别一次改五处
• 留下记录：现象、假设、验证、结论

第一类：起不来

先看进程在不在，再看它为什么退出：长期不清理的开关会变成隐性分支，半年后没人敢删，也没人说得清它现在是什么状态。

• 查看服务状态与最近日志（不是全部日志）
• 确认端口是否被占用、权限是否足够
• 确认配置文件语法（多数服务支持 test 模式）
• 确认依赖的数据目录存在且可写

第二类：连不上

按「本机、网络、代理、应用」四层查：

第三类：跑得慢

按百分比灰度要保证同一用户命中稳定，靠哈希用户 ID 而不是随机数。

慢的问题先分清是「等」还是「算」：CPU 高是算，CPU 低但延迟高是等（IO、锁、网络）。

这个服务的高频故障点

同类的坑基本集中在这些位置：

• 开关判断放在请求链路里，每次多一次远程调用，QPS 上千时必须加本地缓存兜底
• 长期不清理的开关会变成隐性分支，半年后没人敢删，也没人说得清它现在是什么状态
• 按百分比灰度要保证同一用户命中稳定，靠哈希用户 ID 而不是随机数
• 开关和权限是两件事，用开关做权限校验迟早出越权

别做的事

开关只在代码里加不删，两年后有两百个没人敢动

用随机数做灰度，同一用户刷新几次看到不同结果

一次改多个参数，会让下一次故障更难查。

把结论写下来

排查记录不是给别人看的，是给三个月后的自己看的。开关和权限是两件事，用开关做权限校验迟早出越权。

还有几处容易忽略的

都是小地方，但出问题时往往就卡在这里。

• 开关默认值必须是「关」，配置中心挂掉时才不会把未完成的功能放出去
• 每个开关都该有对应的监控指标，否则不知道它到底开没开
• 默认值设成开，配置中心故障时半成品功能直接对外

排障能力不是知道更多命令，是知道先查什么。