perf-reliability-review-luocheng.md 55 KB

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<n>__<desc>.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)。