# 性能 · 可靠性维度审查报告(骆骋 / performance-reliability-reviewer) > 审查对象:`d:/cfc`(cfc-backend / cfc-langgraph / cfc-web / cfc-frontend) > 执行档:**review 档(离线、只读、白名单内)**。未获联网授权 → **未发起任何压测,未对任何目标环境发流量** > 本次仅做静态只读审查,**未修改任何代码**(临时扫描脚本已删除,`git status` 无我引入的改动) --- ## 结论 **不通过**(针对性能 · 可靠性维度)。 理由:性能侧**基线不成立**(唯一可执行阈值是单请求 8s、无分位数无并发无吞吐,且与项目自有文档矛盾),可靠性侧**关键机制存在实现级缺陷**(10 处 HTTP 客户端零超时、AI 熔断器被 17 个端点共用且半开态无并发限流、启动期 320 条 ALTER TABLE 无版本管理、后端健康探针指向不存在的 `/actuator/health`、AI 服务 gunicorn 单 worker + 2 小时超时),且**恢复能力零证据**(无备份脚本、无恢复演练、无故障注入记录)。 **性能压测未授权未执行。** 下文「性能测试设计」中的所有阈值均为**建议值(待基线校准)**,不代表当前系统已达成或不达成;当前达成情况**未知**,需实测后回填。 --- ## 关键证据 ### A. 性能基线(定义有了,但不可执行 / 互相矛盾) | # | 证据 | 说明 | |---|---|---| | A1 | `tests/e2e/api/nonfunc-perf-compat.spec.js:113` | 唯一可执行延迟基线:`expect(dt).toBeLessThan(8000)`,**单次请求、无 P95/P99、无并发、无吞吐、无资源采样** | | A2 | `tests/test-cases/admin.md:114-117` | 文档层其实有阈值:配置列表 ≤2s、解析单条 ≤30s、统计聚合 ≤3s、压测触发限流熔断 429 | | A3 | `tests/test-cases/cross-role-e2e.md:126-129` | 报告链路 **P95 ≤ 40s**、活动名额 **100 / 瞬时 500 请求**、打卡 ≤1s | | A4 | `tests/test-cases/README.md:39-42` | 56 条非功能用例(性能 21 条)中,**性能类仅落地 5 条**,真实压测类「因需 execute 档联网授权,保留为文档化设计」 | | A5 | `docs/architecture/Dify替代迁移可行性分析.md:483` | `POST /api/ai/chat/send` 响应 **≤2s (P95)** —— 与实际链路(`cfc-backend/src/main/resources/application.yml:132` `read-timeout-ms: 300000`,LLM 推理 30-60s)**严重矛盾,属拍脑袋数字** | | A6 | 全仓 `docs/` grep `P95\|P99\|QPS\|TPS\|容量规划\|SLO` | **无任何容量测算结论**("当前容量能支撑多少用户/请求"),`docs/architecture/2026-07-20-SB3-upgrade-plan.md:858` 仅提出"取 10 次请求的 P50/P95/P99"但步骤全部未勾选 | ### B. HTTP 客户端超时缺失(最严重性能风险) | # | 证据 | 说明 | |---|---|---| | B1 | `KnowledgeBaseController.java:40`、`KnowledgeBaseVectorController.java:29`、`BodyFatScaleService.java:45`、`HealthPlanServiceImpl.java:283`/`371`/`1183`、`InsurancePolicyService.java:45`、`LanggraphSyncService.java:43`、`RecommendationService.java:44`、`VirtualPayService.java:73` | **10 处 `new RestTemplate()`**,SimpleClientHttpRequestFactory 默认**无限阻塞**。已核实这些文件内**无任何 setConnectTimeout/setReadTimeout**,且存在真实调用点(如 `KnowledgeBaseVectorController.java:45/61/81/97/126`、`VirtualPayService.java:527`) | | B2 | `AiGateway.java:65` | `fastTemplate` 硬编码 `factory.setReadTimeout(60000)`,与 `application.yml:132` 的 `read-timeout-ms: 300000` **不一致**;questionnaire 生成(推理 30-60s)会稳定命中 60s 超时 → 计入熔断失败 | | B3 | `config/RestTemplateConfig.java:17` / `:26` | 通用 bean readTimeout **180s**、langGraph bean **300s**。配合 Tomcat 默认 200 线程 → 最坏 200×180s 全站线程阻塞 | | B4 | `cfc-langgraph/src/graphs/emotion.py:60` | async 上下文中用**同步 `requests.get(req["image_url"], timeout=10)`** → 阻塞唯一事件循环 | ### C. 熔断 / 超时 / Fallback 实现缺陷(读代码验证,非文档推断) | # | 证据 | 说明 | |---|---|---| | C1 | `service/AiGateway.java:70-72` | `consecutiveFailures` / `lastFailureTime` / `circuitOpen` 是**实例字段**,被 `recommend`/`chat`/`chatForAnalysis`/`generateQuestionnaire`/`generateInnateReading`/`generateSelfCheckAdvice`/`generateSelfCheckTrend`/`generateSelfCheckQuestions`/`generatePortrait`/`classifyIndicator`/`recognizeFood`/`generateMenu`/`generateHealthPlan`/`analyzeEmotion`/`analyzeEmotionByUrl`/`transcribe`/`analyzeTongue`/`detectTongue`/`generateArticleQuiz` **共 20 个方法共用一个熔断器** | | C2 | `AiGateway.java:162`(及 `:222`/`:280`/`:330`/`:388`/`:443`/`:496`/`:527`/`:571`/`:605`/`:630`/`:659`/`:721`/`:766`/`:803`/`:834`) | 任一端点成功即 `consecutiveFailures.set(0)` → **一个慢端点(menu/generate)的超时可熔断掉完全无关的端点;反之某端点成功会掩盖另一端点的连续失败** | | C3 | `AiGateway.java:101-110` | 半开逻辑:reset 超时后 `circuitOpen=false; consecutiveFailures.set(0); return false` —— **无并发探测限制**,恢复瞬间全部线程同时放行(惊群) | | C4 | `AiGateway.java:167`/`:334`/`:364`/`:391`/`:418`/`:448`/`:499`/`:635`/`:771`/`:839` | HTTP 2xx 但响应体语义异常时**直接 `return null` 且不调用 `recordFailure()`** → 熔断触发口径不一致(只有抛异常才计数) | | C5 | `AiGateway.java:126`/`:180`/`:250`/… | `if (!enabled \|\| isCircuitOpen()) return null;` —— 熔断打开后**全部 AI 能力同时降级为 null**,无按端点/按能力的分级熔断 | ### D. 连接池 / 线程池配置 | # | 证据 | 说明 | |---|---|---| | D1 | `cfc-backend/pom.xml:102` + 本地仓库 `.m2/repository/org/apache/commons/commons-pool2/`(**不存在**) | 仅 `spring-boot-starter-data-redis`,**无 commons-pool2** → `application.yml:37-41` 的 `lettuce.pool.max-active: 8 / max-idle: 8` **静默失效**(Spring Boot 无 commons-pool2 时 Lettuce 用共享连接)。配置存在但不生效,属误导性配置 | | D2 | `application.yml:3-8` | Tomcat **仅配 headers**,无 `max-threads`/`min-spare-threads`/`accept-count`/`max-connections` → 全默认(200 / 10 / 100 / 8192) | | D3 | `config/AsyncConfig.java:18-23` | `taskExecutor`:core 8 / max 16 / queue 100 / **`CallerRunsPolicy`** → 队列打满时**由 HTTP 请求线程代跑采集任务**,请求被阻塞至整个 AI 解析完成(可达 300s) | | D4 | `config/AsyncConfig.java:31` | `taskScheduler` poolSize 4 —— 全部定时任务(含 `DatabaseInitializer` 之外的巡检)共用 4 线程 | | D5 | `application.yml:26` vs D2 | Hikari `maximum-pool-size: 50` 与 Tomcat 200 线程不匹配 → DB 慢时线程在池上排队,DB 恢复后形成惊群 | | D6 | `application.yml:36` | Redis `timeout: 3000ms`;`config/RateLimitInterceptor.java:34/128` **每个请求都打 Redis**(滑动窗口 Lua)→ Redis 抖动直接放大为全站延迟 | ### E. N+1 与全表扫描 | # | 证据 | 说明 | |---|---|---| | E1 | `controller/stats/StatsController.java:535` | `for (Article a : articleMapper.selectList(null))` —— **无 WHERE、无 LIMIT 的全表文章查询** | | E2 | `controller/stats/StatsController.java:669` | `for (User u : userMapper.selectList(null))` —— **全表用户查询** | | E3 | `controller/stats/StatsController.java:704` | `prodAgg.forEach` 内 `Product p = productMapper.selectById(pid)` —— **典型 N+1** | | E4 | `service/HealthFilterService.java:217` | `drugInteractionMapper.selectList(null)` —— 每次药品相互作用校验全表拉取 | | E5 | `service/BeijingNutritionService.java:714` → `HealthFilterService.java:245` | 循环内调 `isFoodHardBlocked` → 每次触发 `diseaseIntakeLimitMapper.selectList(null)` → **N × 全表扫描** | | E6 | `service/BeijingNutritionService.java:82`/`:708`、`service/HealthReportService.java:2467` | `foodMapper.selectList(null)` —— 全表食材 | | E7 | 全仓统计 | **`selectList(null)` 共 40 处**;循环体内 mapper 调用嫌疑 **331 处**(精筛后,含 selectById/selectList/insert/updateById) | | E8 | `config/MyBatisPlusConfig.java:16` | `PaginationInnerInterceptor` 已注册 —— 但上述 `selectList(null)` 路径**绕过分页插件**,分页能力形同虚设 | ### F. 慢查询(前置通配 LIKE) | # | 证据 | 说明 | |---|---|---| | F1 | 全仓统计 **91 处** MyBatis-Plus `.like()` | MyBatis-Plus `like()` 默认生成 `LIKE '%v%'`(**双侧通配**),索引失效 | | F2 | `service/ArticleService.java:118` / `:681` | `like(Title).or().like(Summary).or().like(Tags)` —— **三列 or-like**,最坏全表扫描 | | F3 | `controller/admin/AdminController.java:293-295`、`controller/growth/GrowthPlanController.java:123-125`、`controller/ContentFilterController.java:100`/`:122-127`/`:147-154` | 多列 or-like 叠加,叠加 `selectList(null)` 语义时无分页 | ### G. 缓存缺失 | # | 证据 | 说明 | |---|---|---| | G1 | 全仓 `@Cacheable` 命中 **仅 2 处**:`controller/nutrition/NutritionProductController.java:39`/`:46`(nutritionCategory / nutritionBrand) | 高频读(能量、任务、徽章、统计、文章、社区)**全部直连 DB**,无本地缓存无 Redis 读缓存 | | G2 | `config/RedisConfig.java`(`@EnableCaching` + RedisCacheManager,TTL 10min,禁空值) | 缓存基础设施**已就绪但几乎未使用** —— 属于"有配置无覆盖" | | G3 | `config/CfConfigCache.java` | 仅覆盖配置项,热点业务对象未纳入 | ### H. 文件上传与内存 | # | 证据 | 说明 | |---|---|---| | H1 | `application.yml:16-17` | `max-file-size: 50MB` / `max-request-size: 50MB` —— 无按端点细分上限 | | H2 | `service/PdfParseService.java:125-132` | `PDDocument.load(inputStream)` —— **整个 PDF 读入堆内存**(PDFBox 解析),50MB PDF 的堆占用放大数倍,且**在请求线程同步执行** | | H3 | `controller/HealthReportController.java:836` / `:874` / `:880` | 同一请求内同步完成:PDF 解析 → 建报告 → 建指标/菌群/风险 → 落快照 → 存食材 → **7 维评分刷新** → **食材推荐指数重算**;无异步化、无耗时上限 | | H4 | `service/AiGateway.java:706-734`(transcribe)、`:741-777`(analyzeTongue)、`:785-811`(detectTongue) | 整个文件先读成 `byte[]` 再 multipart 外发 —— 堆内双份占用 | | H5 | `cfc-backend/start.sh:47-52` | `-Xms512m -Xmx2g` —— 2GB 堆下跑 50MB 上传 + PDFBox + 多路 AI 并发,OOM 风险高 | ### I. 数据库迁移锁表 | # | 证据 | 说明 | |---|---|---| | I1 | `config/DatabaseInitializer.java:66` | `runMigrations()` 在 **CommandLineRunner 启动期**执行(每次启动) | | I2 | `config/DatabaseInitializer.java:155+` | **320 条 ALTER TABLE**(257 ADD COLUMN / 43 MODIFY COLUMN / **23 ADD INDEX**)+ 335 条 CREATE TABLE,每次启动全量重放 | | I3 | `cfc-backend/pom.xml` | **无 Flyway、无 Liquibase**(grep 无命中)→ 无版本表、无幂等保证、无 checksum 校验 | | I4 | `config/DatabaseInitializer.java:158-162`(及后续每条) | 每条 DDL 独立 `try/catch` **吞掉异常**,迁移失败静默;`ADD INDEX` 在 MySQL 为 INPLACE 重建,**大表上阻塞写入** | | I5 | `config/DatabaseInitializer.java:143` | 建表语句同样 `catch → log.warn` 静默失败 | ### J. 健康检查 / 就绪探针(可靠性致命) | # | 证据 | 说明 | |---|---|---| | J1 | `cfc-backend/pom.xml` grep `actuator` → **0 命中**;`src/main/resources/application.yml` grep `management:`/`actuator` → **0 命中**(且**只有这一个 profile 文件**,无 application-prod.yml) | **不存在 `/actuator/health`**,也就没有就绪探针 / 依赖健康(DB/Redis)暴露 | | J2 | `cfc-langgraph/docker-compose.yml`(cfc-backend 服务 healthcheck) | `test: ["CMD","curl","-f","http://localhost:9082/actuator/health"]` → **该探针必然失败**,后端容器恒为 unhealthy(Docker Compose 不自动重启 unhealthy 容器,但编排层会摘流量 → **后端持续被判死**) | | J3 | `cfc-langgraph/docker-compose.yml`(cfc-backend build 段) | `context: ../cfc-backend, dockerfile: Dockerfile` —— 但 **`cfc-backend/Dockerfile` 不存在**(全仓仅 `cfc-langgraph/Dockerfile`)→ 后端容器构建路径不可用 | | J4 | `cfc-langgraph/app/api/health.py` | Python 侧 `/health` 仅返回 `{"status":"ok"}` —— **恒 200,不反映依赖真实状态**(ChromaDB / SQLite checkpointer / LLM 网关均不探测) | ### K. AI 服务并发模型 | # | 证据 | 说明 | |---|---|---| | K1 | `cfc-langgraph/Dockerfile:39-47` | gunicorn `--worker-class uvicorn.workers.UvicornWorker` + **`--workers 1`** + **`--timeout 7200`**(2 小时)→ 单进程单事件循环;CPU 型任务(ChromaDB / deepface / faster-whisper)阻塞唯一 worker;卡死 worker 2 小时才被回收 | | K2 | `cfc-langgraph/start.sh:9` | `--workers 1` 同上 | | K3 | `cfc-langgraph/app/main.py`(`schedule_kb_sync`) | 知识库同步任务 `asyncio.create_task` 跑在**与请求同一事件循环** | | K4 | `cfc-langgraph/app/main.py` 注释 | 「避免 BaseHTTPMiddleware 消费 body 导致**单 worker 死锁**」—— 团队已认知单 worker 风险,但未解决 | | K5 | `cfc-langgraph/app/monitoring.py` | Python 侧**有** Prometheus 指标(llm_duration / rag_duration / agent_duration / java_duration)—— 基础设施具备,但 buckets 上界仅 30/60s,**无法观测 300s 级超时**;Java 侧**无任何 actuator/micrometer**(D1/J1),两侧指标口径断裂 | ### L. 恢复演练 / 故障注入(零证据) | # | 证据 | 说明 | |---|---|---| | L1 | `docs/backup/README.md:1-3` | 是**文档归档目录**("存放已被新版本替代的历史需求、设计和计划文档"),**不是数据库备份策略** | | L2 | 全仓查找 `mysqldump` / `*backup*.sh` / `*dump*.sql` → **0 命中** | 无数据库备份脚本、无备份保留期、无异地策略 | | L3 | 全仓 grep `chaos\|混沌\|故障注入\|failover\|容灾\|灾备\|RTO\|RPO` → **0 命中**(业务语义命中已排除) | **无混沌工程计划、无故障注入记录、无恢复演练记录、无 RTO/RPO 指标** | | L4 | `cfc-langgraph/docker-compose.yml` | `mem_limit: 8g` 仅在 langgraph-svc 上;**cfc-backend 无 mem_limit/cpu_limit** | | L5 | `service/ReportCollectService.java:135-142` / `:147+` | 异步采集 `taskExecutor.execute(() -> collect(draftId))` —— **无持久化队列**(进程重启任务丢失)、**无重试机制**(一次失败即 `markCollectFailed` 终态)、**无幂等键**(重复提交会重复跑 LLM 并重复计费) | ### M. 既有性能测试资产评估 | # | 证据 | 评估 | |---|---|---| | M1 | `tests/e2e/api/nonfunc-perf-compat.spec.js` | 全仓**唯一**性能相关资产。**不可用作压测**:① `:18` `BASE` 默认 `http://cfc.iwintrue.com`(**生产共享环境**),`:31-46` 注册函数会在生产**创建真实用户**;② `:81` N=20 并发属微突发,非负载模型;③ `:113` 8s 单请求基线与 `admin.md:114` 的「列表 ≤2s」**自相矛盾**;④ 无分位数、无阶梯加压、无资源采样 | | M2 | `tests/e2e/api/nonfunc-perf-compat.spec.js:122-125` | 超卖压测 `test.skip` 并注明「属 execute 档(联网压测),须在用户显式授权且使用专用压测工具/隔离环境后执行,不在共享远端擅自施压」—— **此处纪律正确,应予保留** | | M3 | 全仓查找 `*.jmx` / `locustfile.py` / `*k6*` / `*jmeter*` / `*load*test*` / `*stress*`(排除 node_modules) | **0 命中** —— 无任何压测工具链资产 | --- ## 性能测试设计(未实测 · 建议阈值待基线校准) > ⚠️ **以下所有阈值均为设计建议值,不代表当前系统已达成或不达成。** 当前达成情况**未知**,需在获授权后实测并回填真实基线。 ### 场景设计 | # | 场景 | 目标接口 | 负载模型 | 观测指标 | 通过标准(建议阈值,待基线校准) | 所需授权 | |---|---|---|---|---|---|---| | P1 | **家庭成员列表**(读热路径,压测规格已选) | `POST /api/family/member/list` | 阶梯加压 10→25→50→100 并发,每档 3min 稳态 + 5min 持续 | TP95/TP99、TPS、错误率(5xx)、Hikari active/pending、Tomcat busy threads、CPU/heap | TP95 ≤ 300ms、TP99 ≤ 800ms、错误率 0%、Hikari pending ≤ 5;吞吐随并发线性增长至拐点 | 需授权 + **隔离环境**(禁止默认打生产) | | P2 | **健康报告上传→解析**(长链路 + 异步队列积压) | `POST /api/report/upload-only` → `POST /api/report/parse` → `GET /api/report/collect/status` | 1) 上传:10/50 并发,文件 1MB / 20MB / 45MB 三档;2) 持续灌入使 `taskExecutor` 队列达 100 | 上传 TP95/P99、解析端到端 P95、**队列积压深度/消化速率**、堆占用(峰值/OOM)、PDFBox 解析耗时、DB 写入行数 | 上传 TP95 ≤ 8s(20MB)/≤20s(45MB);解析 P95 ≤ 40s(对齐 `cross-role-e2e.md:126`);**积压可消化**(处理速率 > 到达速率);**无 OOM**;熔断打开时降级而非 5xx | 需授权 + 隔离环境 + 专用测试库 | | P3 | **AI 对话 / 方案生成**(外部依赖 + 熔断行为验证) | `POST /api/ai/health-coach/send`、`POST /api/ai/plan/generate` | 1) 正常:5/10/20 并发;2) 故障注入:LangGraph 容器停机 / 网络黑洞 / 返回 500 / 返回慢响应(>300s) | AI 调用 TP95/P99、熔断状态迁移日志(开→半开→关)、Fallback 触发率、**熔断打开后无关端点是否被误伤**、Tomcat 线程占用 | 正常态 TP95 ≤ 文档目标(注意 `Dify替代迁移可行性分析.md:483` 的 2s 与实际 30-60s 推理矛盾,**须先重定基线**);故障注入下**故障端点熔断、无关端点不受影响**、系统不返回 5xx 雪崩 | 需授权 + **故障注入必须先在隔离环境演练** | | P4 | **运营统计面板**(全表扫描重灾区) | `GET /api/admin/stats/*`(`StatsController.java:535/669/704`) | 单用户 5 并发,**数据集放大到生产量级**(users ≥ 10万、articles ≥ 1万、reading_records ≥ 100万) | 响应 TP95/P99、**SQL 执行计划(是否走索引 / Rows_examined)**、Hikari active、DB CPU、慢查询日志 | 聚合 ≤ 3s(对齐 `admin.md:116`);**`Rows_examined / Rows_sent` ≤ 100×**;**无 `selectList(null)` 全表路径**;DB CPU ≤ 70% | 需授权 + 影子库(**禁止在生产跑全表统计**) | | P5 | **活动报名并发不超卖**(已被 skip 的既有用例) | 活动报名接口(`cross-role-e2e.md:128`:100 名额 / 瞬时 500 请求) | 500 并发瞬时 + 100 并发持续 30s | 接受数 vs 名额、重复报名数、DB 行锁等待/死锁数、TP95、错误率 | **不超卖**(接受数 ≤ 100 且 = 100);无重复报名;无死锁;TP95 ≤ 2s;错误率 < 0.1%(限流 429 可接受) | 需授权 + 专用活动夹具 + 隔离环境 | | P6 | **限流与熔断边界**(验证 `RateLimitInterceptor`) | `/api/auth/*`(10次/秒/IP)、`/api/auth/send-code`(1次/60秒/IP) | 阶梯 20→50→100→200 并发,同 IP + 多 IP | 429 比例、Redis QPS/延迟、限流误伤率、Redis 故障降级路径 | 超过阈值时 429 比例 ≥ 1;**Redis 宕机时降级到进程内限流且服务不中断**(`RateLimitInterceptor` 已实现,需实测验证) | 需授权 + 隔离环境 | ### 工具选择建议(本地可跑、门槛最低) | 工具 | 适用 | 理由 | 落地步骤(最小) | |---|---|---|---| | **k6**(推荐首选) | P1/P4/P5/P6(HTTP 层) | 单二进制、JS 脚本易读、原生 `thresholds` 断言 + `p(95)`/`p(99)` 指标,无需 JVM、CI 好接 | ① `docker run --rm -i grafana/k6 run - < script.js`;② 脚本内置 `stages` 阶梯加压;③ `thresholds: { http_req_duration: ['p(95)<300','p(99)<800'], http_req_failed: ['rate<0.01'] }`;④ 输出 JSON → 归档为基线文件 | | **JMeter** `.jmx` | P2(含 multipart 上传) | multipart 文件上传 + 断言 + 报告最成熟,适合 50MB 文件档位 | ① 本地生成 `.jmx`(或 GUI 录制一次);② **`.jmx` 纳入仓库** `cfc-backend/src/perf/`;③ `jmeter -n -t upload.jmx -l result.jtl -e -o report/` | | **wrk** / `hey` | 快速摸拐点 | 零依赖、几十秒出结论,适合先定位瓶颈 | `hey -z 60s -c 50 -m POST -H "Authorization: Bearer $TOKEN" http://127.0.0.1:9082/api/family/member/list` | | **Playwright API**(既有资产) | 仅功能冒烟 + 回归 | **不可作压测**:无阶梯加压、无分位数、无资源采样;且默认 BASE_URL 指向生产 | 保留为冒烟,但**必须显式传 `BASE_URL` 指向本地/隔离环境**,避免生产造数据 | | **Java 侧定位** | 瓶颈定位(P4 必备) | 慢查询 + 火焰图 | ① MySQL 开启 `slow_query_log` + `long_query_time=0.5`;② 应用侧 async-profiler 采火焰图;③ MyBatis-Plus 开启 `PerformanceInterceptor` 打印慢 SQL | ### 基线获取方式(统一口径) 1. **环境等价性**:压测环境必须与生产同规格(CPU/内存/DB 版本与规格/索引一致);若不等价,报告中必须标注"环境差异"与"结论不可直接外推"。 2. **数据集同量级**:users ≥ 生产量级、reading_records ≥ 100万、articles ≥ 1万;**禁止在生产库跑统计类全表查询**。 3. **预热**:每档压测前 60s 预热(填 JIT + 连接池 + 缓存),预热数据不计入统计。 4. **重复性**:同场景 **≥3 次独立重复**,取中位数;变异系数 > 10% 判定环境不稳,重测。 5. **归档**:`perf/baseline/<日期>/<场景>.json`(k6)或 `.jtl`(JMeter)入库,作为回归基线。 6. **回归门禁**:每次发版跑 P1/P4 冒烟档,与基线对比,**P95 劣化 > 20% 或错误率 > 0.1% 即卡门禁**。 --- ## 问题清单(五要素) ### 【P-01|阻断】10 处 HTTP 客户端零超时,下游挂起即拖垮全站 ① **问题描述**:`new RestTemplate()` 使用 `SimpleClientHttpRequestFactory` 默认无超时(`connectTimeout`/`readTimeout` 均为 0 = 无限阻塞)。一旦 KnowledgeBase / BodyFatScale / InsurancePolicy / LanggraphSync / Recommendation / VirtualPay / HealthPlan 任一外部依赖无响应,调用线程**永久挂起**,持续占用 Tomcat 工作线程。配合 D2(默认 200 线程)与 B3(180s/300s 读超时),少量慢请求即可耗尽线程池,**全站 502/超时**。这类故障在压测中表现为"TPS 断崖 + 线程数单调上涨不回落"。 ② **测试 bug 点**: - `service/BodyFatScaleService.java:45`(调用点 `:167`) - `service/InsurancePolicyService.java:45`(调用点 `:144`) - `service/LanggraphSyncService.java:43`(调用点 `:66`、`:82`) - `service/RecommendationService.java:44`(调用点 `:115`) - `service/VirtualPayService.java:73`(调用点 `:527`) - `service/impl/HealthPlanServiceImpl.java:283`、`:371`、`:1183` - `controller/admin/KnowledgeBaseController.java:40`(调用点 `:183`) - `controller/admin/KnowledgeBaseVectorController.java:29`(调用点 `:45`/`:61`/`:81`/`:97`/`:126`) (以上均已核实文件内无 `setConnectTimeout`/`setReadTimeout`) ③ **最优修改方案**: - 全部改为注入 `config/RestTemplateConfig.java:14` 的 `restTemplate` Bean(已有 connect 30s / read 180s),或按需新增 Bean 并显式设超时; - `HealthPlanServiceImpl` 的 3 处**方法内 new** 一律改为注入; - 支付类(`VirtualPayService`)单独设更短超时(connect 5s / read 15s),失败必须走 fail-safe 而非阻塞; - 为每类调用补 `@Test` 断言:注入一个永不响应的 mock server,断言在超时窗口内返回。 ④ **修改目的**:达成「故障可隔离」——外部依赖慢/挂不拖垮本服务线程池,全站可用性不依赖单一外部系统。 ⑤ **修改后能否做问题闭环**:**能**。复测:P3 场景故障注入(mock 下游黑洞)→ 断言请求在超时窗口内返回 503/降级、Tomcat busy threads **不单调上涨**、无 5xx 雪崩。通过标准:全部 10 处调用点具备显式超时且实测超时生效。 --- ### 【P-02|阻断】AI 熔断器被 20 个端点共用,且半开态无并发限流 ① **问题描述**:`AiGateway` 的熔断状态是**实例级共享字段**(C1)。后果有三:**(a) 误伤** —— `/api/v1/menu/generate` 这类慢推理路径连续 3 次超时即打开熔断,导致完全无关的 `/api/v1/recommend`、`/api/v1/self-check/*` 同时降级为 null(C5);**(b) 掩盖** —— 任一端点成功即把共享计数器清零(C2),使另一个持续失败的端点永远不熔断;**(c) 惊群** —— 半开态无并发探测上限,恢复瞬间所有线程同时打向刚恢复的服务(C3)。此外 2xx 语义异常不计入失败(C4),熔断触发口径不一致。**代码注释与日志宣称"熔断 + 超时 + Fallback",但实现层面不具备端点级隔离能力。** ② **测试 bug 点**: - `service/AiGateway.java:70-72`(共享状态字段) - `service/AiGateway.java:101-110`(`isCircuitOpen()` 半开逻辑无并发限流) - `service/AiGateway.java:162` 等 16 处 `consecutiveFailures.set(0)`(成功即全局清零) - `service/AiGateway.java:167`/`:334`/`:364`/`:391`/`:418`/`:448`(2xx 语义异常不 `recordFailure`) - 缺失:任何针对熔断状态机的单元测试 / 集成测试(全仓无 `AiGateway` 测试文件) ③ **最优修改方案**: - 熔断器**按下游端点(URL path)分桶**:key = `baseUrl + path`,每桶独立 `AtomicInteger` + `circuitOpen` + `lastFailureTime`; - 成功时**只清零对应桶**,不再全局清零; - 半开态加**单探针令牌**(`AtomicBoolean halfOpenProbeInFlight`),同一时刻只放 1 个请求试探,其余直接走 Fallback; - 2xx 语义异常也计入失败(统一口径:只有"可解析且符合契约"才算成功); - 补 `AiGatewayCircuitBreakerTest`:① 端点A 连续失败 3 次 → 断言仅 A 熔断、B 仍可调;② 半开态 20 并发 → 断言仅 1 个探针放行;③ 成功 1 次后 → 断言仅对应桶恢复。 ④ **修改目的**:达成「故障可隔离、恢复可控」——单端点故障不扩散,恢复不引发惊群。 ⑤ **修改后能否做问题闭环**:**能**。复测:单元测试覆盖上述 3 条断言 + P3 场景端到端故障注入。通过标准:端点级隔离测试全绿;故障注入下无关端点成功率 100%。 --- ### 【P-03|阻断】后端健康探针指向不存在的 `/actuator/health`,恒判 unhealthy ① **问题描述**:`pom.xml` 无 `spring-boot-starter-actuator`,`application.yml` 无 `management:` 配置,且**只有单一 profile 文件**(无 application-prod.yml)→ 后端**不存在 `/actuator/health` 端点**。而 `docker-compose.yml` 把 `cfc-backend` 的 healthcheck 配成 `curl -f http://localhost:9082/actuator/health` → **该探针 100% 失败**,容器恒为 unhealthy。在 Docker Compose 下不会自动重启,但在任何按 readiness 摘流量的编排层,**后端会被持续判死并摘出负载均衡**,且因 Java 侧无 actuator/micrometer(K5),**无任何指标可供旁证健康状态**。叠加 J3(`cfc-backend/Dockerfile` 不存在但 compose 引用它),部署链路本身即不自洽。 ② **测试 bug 点**: - `cfc-backend/pom.xml`(缺 `spring-boot-starter-actuator`) - `cfc-backend/src/main/resources/application.yml`(缺 `management.endpoints.web.exposure.include: health`) - `cfc-langgraph/docker-compose.yml` cfc-backend 服务 `healthcheck.test` 段 - `cfc-langgraph/docker-compose.yml` cfc-backend `build.dockerfile` 段(引用不存在的 Dockerfile) - `cfc-langgraph/app/api/health.py`(Python 侧 health 恒 200,不反映依赖) ④ **最优修改方案**: - 补 `spring-boot-starter-actuator` 依赖 + 配置 `management.endpoints.web.exposure.include: health,info,metrics,prometheus`; - health 端点暴露 DB / Redis 健康明细(`management.endpoint.health.show-details: when_authorized`); - 补 `cfc-backend/Dockerfile`(或改 compose 改用 `start.sh` + 基础镜像),使 compose 可构建; - Python 侧 `/health` 改为**依赖感知**:探测 ChromaDB 路径可读、SQLite checkpointer 可写、LLM 网关可达,任一不可用返回 503; - 加 `HEALTHCHECK` 到后端镜像。 ③ **最优修改方案**(同上,此处为动作清单) ④ **修改目的**:达成「就绪状态可观测、故障可被编排层正确处置」——避免健康探针恒失败导致误摘流量 / 误重启。 ⑤ **修改后能否做问题闭环**:**能**。复测:`curl -f http://localhost:9082/actuator/health` 返回 200 且 `status=UP`;`docker compose ps` 两个服务均 healthy;**故意停掉 MySQL 后 health 返回 DOWN**(证明探针真实有效,而非恒 200)。通过标准:健康检查随依赖真实翻转。 --- ### 【P-04|严重】启动期 320 条 ALTER TABLE 无版本管理,大表上阻塞写入 ① **问题描述**:每次应用启动都全量重放 320 条 `ALTER TABLE`(含 23 条 `ADD INDEX`)+ 335 条 `CREATE TABLE`,**无 Flyway/Liquibase 版本表**,无 checksum,无幂等保证。`ADD INDEX` 在 MySQL 是 INPLACE 算法重建索引,**对大表会持有元数据锁并阻塞读写**;多实例同时发布时争抢同一批锁,可能触发 `Lock wait timeout`。且每条 DDL 独立 try/catch 吞异常 —— **迁移失败静默**,应用照常启动,线上带着"半迁移"状态运行。`MODIFY COLUMN`(43 条)在部分场景会触发表重建(copy algorithm),风险更高。 ② **测试 bug 点**: - `config/DatabaseInitializer.java:66`(启动期调用 `runMigrations()`) - `config/DatabaseInitializer.java:155` 起 **320 条 ALTER TABLE**(如 `:158` ADD COLUMN tasks、`:172` ADD INDEX idx_executor、`:237` ADD INDEX idx_phone、`:244`/`:252` MODIFY COLUMN users.role) - `config/DatabaseInitializer.java:143`(建表异常静默 `log.warn`) - `cfc-backend/pom.xml`(缺 flyway-core / liquibase-core) ③ **最优修改方案**: - 引入 **Flyway**:`flyway-core` 依赖 + `db/migration/V__.sql` 版本化脚本;`DatabaseInitializer` 降级为仅做 `CREATE DATABASE IF NOT EXISTS`,**迁移全部交给 Flyway**(启动时自动执行,带 `flyway_schema_history` 版本表,重复执行自动跳过); - 迁移期用 `flyway.lock-retry-count` 应对多实例并发; - 存量 320 条 ALTER 一次性转成 baseline 脚本(`flyway baselineOnMigrate=true` + baseline version),后续新增一律走版本脚本; - 大表 DDL 显式加 `ALGORITHM=INPLACE, LOCK=NONE`(不在线则安排低峰窗口); - **迁移必须失败即启动失败**(不允许静默 continue)。 ④ **修改目的**:达成「发布可预期、数据结构可追溯、迁移不阻塞线上写入」。 ⑤ **修改后能否做问题闭环**:**能**。复测:① 连续启动两次,第二次日志显示"无待执行迁移"且耗时 < 5s;② 在影子库对**生产量级**表集执行迁移全量,实测总耗时与锁等待(`SHOW PROCESSLIST` / `performance_schema.metadata_locks`);③ 故意写一条错误迁移 → 断言应用**启动失败**而非静默通过。通过标准:迁移幂等 + 失败可见 + 影子库迁移总耗时 ≤ 60s 且锁等待为 0。 --- ### 【P-05|严重】异步采集任务无持久化、无重试、无幂等,且队列打满时反压到 HTTP 线程 ① **问题描述**:`submitAsyncCollect` 用 `taskExecutor.execute()` 提交到**内存线程池**(`AsyncConfig` core 8 / max 16 / queue 100),**无持久化队列** → 进程重启/发布时在途任务全部丢失;`collect()` **无重试**(一次失败即 `markCollectFailed` 终态,用户只能重传);**无幂等键** → 用户重复点击"开始解析"会重复触发 LLM 调用与重复计费。更严重的是 `AsyncConfig.java:23` 配置了 `CallerRunsPolicy` —— **队列满时由提交任务的 HTTP 请求线程代跑整个采集流程**(含最长 300s 的 LLM 调用),导致该 HTTP 请求同步阻塞 300s,同时占住一个 Tomcat 线程。这是典型的"反压策略选错",把异步的积压转嫁为同步的请求悬挂。 ② **测试 bug 点**: - `service/ReportCollectService.java:135-142`(`taskExecutor.execute`,无持久化/无重试) - `service/ReportCollectService.java:147+`(`collect()` 无重试循环、失败即终态) - `config/AsyncConfig.java:18-23`(core 8 / max 16 / queue 100 / **`CallerRunsPolicy`**) - `config/AsyncConfig.java:28-35`(`taskScheduler` poolSize 4,所有定时任务共用) - 缺失:无 `ReportCollectService` 的失败重试/幂等单元测试;无队列积压场景测试 ③ **最优修改方案**: - 拒绝策略改为 `AbortPolicy`(**绝不让请求线程代跑**),并对提交失败返回明确错误 + 补偿(用户侧可重试); - 引入**持久化任务表**(`report_collect_task`:`draft_id` 唯一索引作幂等键、状态机 `PENDING/RUNNING/FAILED/SUCCEEDED`、`retry_count`、`next_retry_at`、`last_error`),由定时扫描器认领(`SELECT ... FOR UPDATE SKIP LOCKED` 或乐观锁 CAS 认领); - 补**指数退避重试**(如 3 次,间隔 1s/5s/30s)+ 死信状态; - `draft_id` 加唯一约束实现幂等,重复提交直接返回已有任务; - 补队列深度指标(Micrometer Gauge `report.collect.queue.depth`),暴露给 P2 场景观测; - 补单测:① 重复提交同一 draftId → 只产生 1 次 LLM 调用;② LLM 连续失败 → 断言重试 3 次后进死信并标记失败原因;③ 队列满 → 断言**提交方线程不执行任务体**(请求快速返回 429/503)。 ④ **修改目的**:达成「异步任务不丢、可重试、可去重、积压不反压用户请求」。 ⑤ **修改后能否做问题闭环**:**能**。复测:P2 场景灌满队列 → 断言请求延迟不随队列深度线性增长、上传接口 P95 保持 ≤ 8s;重启进程 → 断言在途任务被恢复执行;重复提交 → 断言 LLM 调用计数为 1。通过标准:三类断言全绿。 --- ### 【P-06|严重】N+1 与全表扫描集中在统计与营养过滤热路径 ① **问题描述**:`selectList(null)`(无条件全表)共 40 处,其中**热路径**上的包括:统计面板拉全量文章(`StatsController.java:535`)与全量用户(`:669`);营养推荐循环内每次全表拉药品相互作用(`HealthFilterService.java:217`)与疾病限量表(`:245`,被 `BeijingNutritionService.java:714` 在**循环内**调用 → N× 全表扫);全表食材(`BeijingNutritionService.java:82`/`:708`、`HealthReportService.java:2467`)。同时存在 N+1:`StatsController.java:704` 在 `forEach` 内逐个 `productMapper.selectById(pid)`。`MyBatisPlusConfig.java:16` 虽已注册分页插件,但这些路径**完全绕过分页**。数据量到十万级时,统计接口会直接把 DB CPU 打到 100% 并拖垮同库所有业务查询。 ② **测试 bug 点**: - `controller/stats/StatsController.java:535`、`:669`、`:704` - `service/HealthFilterService.java:217`、`:245`、`:263` - `service/BeijingNutritionService.java:82`、`:708`、`:714` - `service/HealthReportService.java:2467` - `service/BeijingNutritionService.java:647`(循环内 `dietPreferencesMapper.selectOne`) - 缺失:无慢 SQL 断言测试;无 `Rows_examined` 断言 ③ **最优修改方案**: - 统计类全表查 → 改**只查所需 ID 集合**(`selectBatchIds` / `IN` 子查询)或引入**聚合表 + 定时预计算**(`@Scheduled` 增量更新,读侧零查询); - 标题映射类需求(`:535`/`:669`)→ 用 `selectObjs("id","title")` 只取两列,或对 hot-path 做 Redis 缓存(G2 缓存基础设施已就绪); - `HealthFilterService` 的药品/疾病规则表 → **启动期加载进内存 + 变更时失效**(参考 `config/CfConfigCache.java` 模式),或用 `selectBatchIds` 限定候选; - `BeijingNutritionService.java:714` 的循环内调用 → **循环外一次性预取**规则集,循环内纯内存判断; - `StatsController.java:704` → 改 `productMapper.selectBatchIds(pidSet)` 批量取; - 所有 `selectList(null)` 逐个审计并改为带条件查询。 ④ **修改目的**:达成「容量可规划、热点路径不随数据量线性劣化」——统计与推荐接口的耗时应与数据量解耦。 ⑤ **修改后能否做问题闭环**:**能**。复测:P4 场景在生产量级影子库执行 → 断言 TP95 ≤ 3s、**慢查询日志无 `selectList(null)` 产生的全表扫描**、`Rows_examined/Rows_sent ≤ 100×`、DB CPU ≤ 70%。同时补回归守卫:静态扫描脚本(CI 内跑)禁止新增 `selectList(null)`,命中即失败。 --- ### 【P-07|严重】PDF 上传解析全链路同步占用请求线程,50MB 上限下有 OOM 风险 ① **问题描述**:`POST /api/report/upload`(`HealthReportController.java:818`)在**单个 HTTP 请求内同步完成**:PDFBox `PDDocument.load` 全量读入堆(`PdfParseService.java:126`)→ 建报告 → 建指标/菌群/疾病风险 → 落 payload 快照 → 存食材 → 7 维评分刷新(`:874`)→ 食材推荐指数重算(`:880`)。50MB 上限下 PDFBox 解析的堆占用可达文件数倍,而 `start.sh` 只给 2GB 堆。并发几个 45MB 上传即可触发 OOM。同时 `AiGateway.java:706-777` 把音频/图片读成 `byte[]` 再 multipart 外发,堆内双份占用。**大文件上传 + 同步长任务 = 典型的资源耗尽型可靠性缺陷。** ② **测试 bug 点**: - `cfc-backend/src/main/resources/application.yml:16-17`(`max-file-size: 50MB` / `max-request-size: 50MB`) - `service/PdfParseService.java:125-132`(`PDDocument.load(inputStream)` 同步全量入堆) - `controller/HealthReportController.java:836`、`:874`、`:880`(请求线程内同步串行执行) - `service/AiGateway.java:706-734`、`:741-777`、`:785-811`(`byte[]` 全量读入) - `cfc-backend/start.sh:47-52`(`-Xmx2g`) - 缺失:无大文件上传的内存/并发压测用例(`admin.md` 里有"大文件"前置条件,但 `nonfunc-perf-compat.spec.js` 未覆盖) ③ **最优修改方案**: - 上传接口**只做落盘 + 建 draft + 立即返回 draftId**(项目已有 `/report/upload-only` 两阶段接口 `:912`,应**统一收敛到该路径**,把 `/report/upload` 标 `@Deprecated` —— `:1304` 已有此注释); - 解析全部走异步(并复用 P-05 的持久化任务表); - `PDDocument.load` 改为**流式/分页解析**,或移到独立解析进程/线程池,设独立堆上限; - `max-file-size` 下调至业务真实需要(健康报告 PDF 通常 < 10MB),并加**按端点**的上传限制; - `AiGateway` 的 multipart 改为**流式传递**(`InputStreamResource`)避免 `byte[]` 全量驻留; - 上传接口加**并发闸门**(Semaphore)与每用户上传频率限制。 ④ **修改目的**:达成「大文件上传不拖垮内存、不拖垮请求线程、失败可恢复」。 ⑤ **修改后能否做问题闭环**:**能**。复测:P2 场景 45MB 文件 × 10 并发上传 → 断言上传接口 P95 ≤ 20s、**堆峰值 < 1.2GB 且无 Full GC 风暴**、解析走异步(上传返回 draftId 而非完整报告)、OOM 次数为 0。通过标准:内存与延迟双达标。 --- ### 【P-08|严重】AI 服务 gunicorn 单 worker + 2 小时超时 + 事件循环内同步阻塞 ① **问题描述**:`Dockerfile:42-43` 配置 `--workers 1` + `--timeout 7200`。后果:① **单事件循环** —— 任一 CPU 型任务(ChromaDB 向量检索、deepface 情绪识别、faster-whisper 语音转写)阻塞唯一 worker,**整个 AI 服务对所有用户不可用**(不是变慢,是全挂);② **超时 7200s** —— worker 卡死后 gunicorn 要 2 小时才回收,期间该实例持续不可用;③ `app/main.py` 的 `schedule_kb_sync` 知识库同步任务与请求共用同一事件循环;④ `src/graphs/emotion.py:60` 在 async 函数里用同步 `requests.get` —— **确定性的事件循环阻塞**;⑤ `app/main.py` 注释自述"避免单 worker 死锁",说明团队已认知该风险但未解决。同时 `cfc-langgraph/docker-compose.yml` 只给 langgraph-svc 设了 `mem_limit: 8g`,**cfc-backend 无内存/CPU 限制**,无横向扩容能力(单实例单 worker)。 ② **测试 bug 点**: - `cfc-langgraph/Dockerfile:39-47`(`--workers 1`、`--timeout 7200`) - `cfc-langgraph/start.sh:9`(`--workers 1`) - `cfc-langgraph/src/graphs/emotion.py:60`(同步 `requests.get`) - `cfc-langgraph/app/main.py`(`schedule_kb_sync` 与请求同循环;BaseHTTPMiddleware 死锁注释) - `cfc-langgraph/docker-compose.yml`(cfc-backend 无 `mem_limit`/`cpu_limit`,无 replicas) - `cfc-langgraph/app/monitoring.py`(histogram buckets 上界 30/60s,**观测不到 300s 级长尾**) - 缺失:无 AI 服务的并发/饱和测试,无「某请求卡死是否影响其他请求」的隔离性测试 ③ **最优修改方案**: - gunicorn `--workers` 提到 **2~4**(按 CPU 核数),或改用 **uvicorn 多进程 + `--timeout 90~180`**(远小于 7200); - **CPU 型任务隔离**:deepface / whisper / ChromaDB 检索移出事件循环(`run_in_threadpool` 或独立 worker 队列); - `src/graphs/emotion.py:60` 改 `httpx.AsyncClient`; - `schedule_kb_sync` 移到独立进程/线程,避免与请求争抢; - `mem_limit`/`cpu_limit` 补到 cfc-backend; - monitoring 的 histogram buckets 补上 120s/300s/600s 桶,否则 P99 观测失真; - `app/api/health.py` 改为依赖感知(见 P-03)。 ④ **修改目的**:达成「AI 服务不被单个慢请求拖垮、故障实例可快速摘除、容量可横向扩展」。 ⑤ **修改后能否做问题闭环**:**能**。复测:P3 场景 + 隔离性专项:① 发起 1 个慢请求(mock LLM 挂起 120s),断言**同时其它端点请求仍正常返回**(隔离性);② 断言 gunicorn 在超时阈值内回收僵死 worker;③ 断言 workers ≥ 2 时单 worker 被压满不影响整体可用性。通过标准:隔离性测试全绿 + 僵死 worker 回收时长 ≤ 180s。 --- ### 【P-09|严重】性能阈值互相矛盾且与实现不符,无容量结论 ① **问题描述**:性能目标散落且互相打架:可执行规格写"家庭列表 ≤ 8s"(`nonfunc-perf-compat.spec.js:113`),项目自有文档写"配置列表 ≤ 2s"(`admin.md:114`)、"统计聚合 ≤ 3s"(`admin.md:116`)、"报告链路 P95 ≤ 40s"(`cross-role-e2e.md:126`),而架构文档写"`POST /api/ai/chat/send` ≤ 2s (P95)"(`Dify替代迁移可行性分析.md:483`)—— 但该链路实际 LLM 推理 30-60s(`application.yml:131-132` 注释自述),**2s 目标不可能达成,属未经验证的拍脑袋数字**。同时**全仓无任何容量测算**("当前容量能支撑多少并发/用户/日请求量"),无扩容阈值、无资源水位线、无 RTO/RPO。这使得"系统撑不撑得住"这一问题**在当前状态下无法回答**。 ② **测试 bug 点**: - `tests/e2e/api/nonfunc-perf-compat.spec.js:113`(8s 基线) - `tests/test-cases/admin.md:114`、`:115`、`:116` - `tests/test-cases/cross-role-e2e.md:126`、`:128`、`:129` - `docs/architecture/Dify替代迁移可行性分析.md:483`(2s P95,与实现矛盾) - `docs/architecture/2026-07-20-SB3-upgrade-plan.md:858`(P50/P95/P99 采集步骤全未勾选) - 缺失:`docs/` 下无 SLO 文档、无容量规划文档 ③ **最优修改方案**: - 新建 `docs/performance/SLO.md`(唯一真源),结构化定义:**每个关键接口的 P95/P99 目标 + 目标并发数 + 目标 QPS + 错误率 SLO + 降级策略**; - **先实测后定标**:对 P1~P6 场景跑基线,用实测 P95×2 作为初始目标,再逐步收紧;把 `Dify替代迁移可行性分析.md:483` 的 2s 修正为与推理耗时一致的值(并标注该口径为"LLM 端到端"而非"网关响应"); - 统一 `admin.md`/`cross-role-e2e.md`/`nonfunc-perf-compat.spec.js` 三处口径,**以 SLO.md 为准**,其余文档引用而非复写; - 补容量规划章节:`当前 2C4G × N 实例 + Hikari 50 × N` 可支撑 **X 并发 / Y QPS**,扩容触发线(水位 70%)与扩容动作; - 把 `nonfunc-perf-compat.spec.js` 的 8s 改为对齐 SLO,并改名为显式的"功能冒烟基线"(避免与 SLO 混淆)。 ④ **修改目的**:达成「阈值有据可依、口径统一、容量可规划」——让"撑不撑得住"变成可计算的问题。 ⑤ **修改后能否做问题闭环**:**能**。复测:P1~P6 实测 → 用实测值回填 SLO.md → 断言 SLO.md 中每个阈值都能追溯到某次压测报告(链接归档)。通过标准:SLO.md 覆盖率 100%(所有关键接口有阈值 + 有对应压测报告链接)。 --- ### 【P-10|一般】Redis 连接池配置静默失效,且限流器在每请求路径上 ① **问题描述**:`application.yml:37-41` 配了 `lettuce.pool.max-active: 8 / max-idle: 8 / min-idle: 0`,但 `pom.xml:102` 只有 `spring-boot-starter-data-redis`,**无 `commons-pool2`**(本地 `.m2` 亦无该 artifact)→ Spring Boot 的 `LettuceConnectionConfiguration` 在无 commons-pool2 时**不会创建池化 ClientResources**,改为使用**共享连接**,**这组 pool 配置完全不生效**。运维会误以为存在 8 连接的上限(实际无上限)。此外 `RateLimitInterceptor.java:34/128` 让**每个 HTTP 请求都执行一次 Redis Lua 脚本**,Redis 抖动(`timeout: 3000ms`)会直接放大为全站 3s 级延迟 —— 虽然 `:44-48` 已实现 Redis 不可用时降级到进程内限流,但该降级路径**从未被演练过**。 ② **测试 bug 点**: - `cfc-backend/src/main/resources/application.yml:37-41`(失效的 lettuce pool 配置) - `cfc-backend/pom.xml:102`(缺 `commons-pool2`) - `config/RateLimitInterceptor.java:34`、`:128`(每请求 Redis 调用) - `config/RateLimitInterceptor.java:44-48`(Redis 故障降级到进程内限流,**无测试覆盖**) - `config/RedisConfig.java`(缓存基础设施就绪但几乎未启用,见 G2) ③ **最优修改方案**: - 二选一并明确:**加 `commons-pool2` 依赖**让池配置真实生效(并按 Tomcat 线程数重设 max-active,如 32~64),**或删除这组误导性配置**并显式注释"未启用连接池,使用共享连接"; - 高频只读对象(能量配置、任务模板、徽章定义、会员等级、文章元数据)用 `RedisConfig` 的 CacheManager 加 `@Cacheable`(基础设施已就绪,见 G2),降低 DB 与 Redis 双压; - 补 **Redis 宕机降级演练**:停 Redis → 断言服务不中断、限流仍生效(进程内)、降级日志可观测。 ④ **修改目的**:达成「配置真实有效、限流不成为单点、缓存真正降载」。 ⑤ **修改后能否做问题闭环**:**能**。复测:① 停 Redis → 断言接口可用、限流仍生效;② 恢复 Redis → 断言缓存与限流回正常;③ 断言连接池实际连接数符合配置(Redis `CLIENT LIST`)。通过标准:配置生效可观测 + 降级路径演练通过。 --- ### 【P-11|一般】无备份脚本、无恢复演练、无故障注入记录,恢复能力不可证实 ① **问题描述**:`docs/backup/` 是**文档归档目录**(README 明言"存放已被新版本替代的历史需求、设计和计划文档"),**不是数据备份策略**。全仓无 `mysqldump` / 备份 shell / 定时备份配置 / 备份保留期策略;无任何恢复演练记录;grep `chaos|混沌|故障注入|failover|容灾|灾备|RTO|RPO` **零命中**。同时 `docker-compose.yml` 只给 langgraph-svc 设了 `mem_limit: 8g`,cfc-backend 无资源上限。**"有备份"都不成立,更谈不上"有恢复演练"** —— 一旦 DB 损坏或误删表,历史数据不可恢复,本项目无任何证据表明具备恢复能力。 ② **测试 bug 点**: - `docs/backup/README.md:1-3`(性质为文档归档,非备份策略) - 全仓无 `*backup*.sh` / `*dump*.sql` / `mysqldump` 调用 - 无 `docs/operations/` 或等价的备份与恢复 SOP 目录 - `cfc-langgraph/docker-compose.yml`(cfc-backend 无 `mem_limit`/`cpu_limit`;langgraph-svc 有 `mem_limit: 8g` 但无 `deploy.resources` 副本数) ③ **最优修改方案**: - 编写 `scripts/backup/backup-mysql.sh`(`mysqldump` + gzip + 日期归档 + 保留期清理 + **校验和**)+ `scripts/backup/restore-mysql.sh`(**必须带 dry-run 与校验**); - 明确备份目标位置(异地对象存储,不与生产同机)、保留期(如日/周/月)、与业务窗口的错峰; - 定义并写入 RTO/RPO(如 RTO ≤ 4h、RPO ≤ 24h),并据此设计演练频率; - 建立 `docs/operations/DR.md`(故障处置 SOP:DB 故障、Redis 故障、LangGraph 故障、磁盘满、OOM); - **做一次真实恢复演练并留档**(这是最关键的一条 —— 未演练的备份等于没有备份); - 补故障注入基线:LangGraph 停机/超时/返回 500、Redis 停机、MySQL 主从切换、磁盘写满。 ④ **修改目的**:达成「故障可恢复、恢复能力可证实」——用一次成功的恢复演练证明数据可回来。 ⑤ **修改后能否做问题闭环**:**能**。复测:在影子环境执行"备份 → 破坏 → 恢复"闭环 → 断言恢复后表行数与关键业务数据一致(RTO 实测值记录)。通过标准:**完成 ≥ 1 次有留档的恢复演练**,恢复数据抽样一致率 100%,实测 RTO 满足声明值。 --- ### 【P-12|一般】既有性能测试资产不可用作压测,且默认指向生产 ① **问题描述**:`tests/e2e/api/nonfunc-perf-compat.spec.js` 是全仓唯一的性能相关资产,但:① `:18` `BASE_URL` **默认 `http://cfc.iwintrue.com`(生产共享环境)**,`:31-46` 的 `register()` 会在生产**创建真实用户**(`/api/auth/direct-register`),每次跑都污染生产数据;② `:81` 的 N=20 并发属**微突发**,非负载模型;③ `:113` 只有 8s 单请求基线,无分位数、无阶梯加压、无资源采样;④ Playwright 的 `request` fixture **不是压测工具**,无法产出吞吐/分位数曲线。全仓**无 .jmx / locustfile.py / k6 脚本 / wrk 配置**。值得肯定的是 `:122-125` 的超卖压测明确 `test.skip` 并注明"属 execute 档,须在用户显式授权且使用专用压测工具/隔离环境后执行"——**该纪律应予保留并推广**。 ② **测试 bug 点**: - `tests/e2e/api/nonfunc-perf-compat.spec.js:18`(BASE_URL 默认生产) - `tests/e2e/api/nonfunc-perf-compat.spec.js:31-46`(注册函数在生产造数据) - `tests/e2e/api/nonfunc-perf-compat.spec.js:79-90`(N=20 微突发,非负载) - `tests/e2e/api/nonfunc-perf-compat.spec.js:106-114`(8s 单请求基线,无分位数) - `tests/e2e/api/nonfunc-perf-compat.spec.js:122-125`(已 skip,需夹具与授权 —— 保留此纪律) - 全仓无 `.jmx` / `locustfile.py` / k6/wrk 资产 ③ **最优修改方案**: - **保留**该文件作为"功能+兼容性冒烟",但: - 移除 `BASE_URL` 的生产默认值,改为**无 `BASE_URL` 直接报错退出**(强制显式指定环境); - 在 `playwright.config.api.js` 加环境守卫(目标 host 命中生产域名 → 拒绝执行,除非显式 `--allow-prod`); - 注册函数改为使用**专用测试账号前缀 + 后台清理钩子**(`test.afterAll` 清理),不再每次造新用户; - **新建 `perf/` 目录并纳入仓库**(这是本次最重要的补齐): - `perf/k6/` —— P1/P4/P5/P6 脚本(含 `stages` 阶梯加压 + `thresholds` 断言) - `perf/jmeter/` —— P2 上传脚本(`.jmx`) - `perf/README.md` —— 工具选择、最小落地步骤、环境搭建、基线归档规范 - `perf/baseline/` —— 历史基线 JSON/JTL(回归对比用) - 提供 `perf/run.sh`:一键起本地环境(docker-compose 隔离栈 + 造数脚本)→ 跑 k6/JMeter → 输出对比报告。 ④ **修改目的**:达成「压测可复跑、可回归、有基线对照」——把性能从"每次重写脚本"变成"仓库资产 + 一键复跑"。 ⑤ **修改后能否做问题闭环**:**能**。复测:`bash perf/run.sh` 在隔离环境一键跑完 P1~P6 并产出报告;断言报告含 P95/P99/错误率/资源曲线,且与 `perf/baseline/` 中历史基线自动对比、劣化超阈值即非零退出(可直接接 CI 门禁)。通过标准:一键复跑成功 + 报告字段齐全 + 回归对比生效。 --- ## 未实测项(明确声明) ### A. 「未授权未执行」—— 因主理人未获联网授权,本次一律未执行 | 项 | 状态 | 说明 | |---|---|---| | A1 | **未授权未执行** | 对生产 `http://cfc.iwintrue.com` 的任何压测/流量 | | A2 | **未授权未执行** | JMeter / k6 / Locust / wrk 打真实服务(含本地起服务的压测脚本执行) | | A3 | **未授权未执行** | AI 服务 `ai.etotem.com.cn` 的负载施压 | | A4 | **未授权未执行** | 故障注入(停 LangGraph 容器 / 停 Redis / 停 MySQL / 网络黑洞 / 慢响应注入) | | A5 | **未授权未执行** | 恢复演练(备份→破坏→恢复闭环)—— 会写/删数据,风险最高 | | A6 | **未授权未执行** | P1~P6 全部 6 个性能场景的实际执行 | ### B. 「未实测」—— 本次全部为静态代码/配置审查,无任何运行时数据 | 项 | 状态 | 说明 | |---|---|---| | B1 | **未实测** | 任何接口的真实 P95 / P99 / TPS / 错误率 —— **本报告不含任何实测性能数字** | | B2 | **未实测** | 当前系统的容量上限(能支撑多少并发 / QPS / 用户量)—— **无法回答"撑不撑得住"** | | B3 | **未实测** | 熔断器在真实故障下的状态迁移与端点间隔离行为(结论基于读码,非实测) | | B4 | **未实测** | 300s 读超时下 Tomcat 线程耗尽的实际发生点与恢复时间 | | B5 | **未实测** | 50MB PDF 并发上传的实际堆峰值与 OOM 触发条件 | | B6 | **未实测** | 320 条 ALTER TABLE 在生产量级表上的实际耗时与锁等待时长 | | B7 | **未实测** | ChromaDB 向量检索 / deepface / whisper 的实际 CPU 占用与事件循环阻塞时长 | | B8 | **未实测** | Redis 连接池的真实连接数(因 `commons-pool2` 缺失,配置推断为不生效,未运行时验证) | | B9 | **未实测** | `/actuator/health` 的实际响应(经依赖与配置判定为不存在,未发请求验证) | | B10 | **未实测** | `selectList(null)` 全表查询在生产量级下的真实耗时(依赖数据规模推断风险,未连生产库) | | B11 | **未实测** | 91 处 `.like()` 的实际执行计划与索引命中(需 `EXPLAIN`,未连生产库) | | B12 | **未实测** | Hikari 50 / Tomcat 200 / Lettuce 无池 三者组合的实际排队行为 | ### C. 本报告结论的适用边界 - 所有风险点均为**代码与配置层面的静态判定**,标注行号均可复核;其中 B3、B8、B9、B10、B11 依赖"依赖未引入 / 配置未生效"的推断,**建议在获授权后用运行时手段二次确认**(`docker exec` 查依赖树、`EXPLAIN` 查执行计划、`curl` 查端点)。 - 「性能测试设计」中的全部阈值为**建议值**,须在 P1~P6 实测后回填校准,**不得直接作为验收标准使用**。 - 本次**未修改任何代码**,所有"最优修改方案"均为建议,未实施。 --- ## 附:与既有资产的协作建议(供主理人汇编时参考) - **P-12 与白樾的 E2E 资产盘点有重叠**:`nonfunc-perf-compat.spec.js` 的环境守卫改造建议已同步,建议由 E2E 域统一落地环境守卫规则,避免两套。 - **P-09 的 SLO 文档** 建议由主理人指定单一 owner 维护,避免与 `admin.md` / `cross-role-e2e.md` 三处口径继续分叉。 - **P-02 的熔断器测试** 属单元级,但因涉及并发状态机,建议纳入苏雅的单元测试覆盖台账(单测即可闭环,不必等压测授权)。