SLA

背景：我做分布式 10 年，带团队落地过订单、支付、库存三条强一致链路。每次方案评审，架构师都爱说一句"我们做最终一致就够了"。这句话本身没错，错在它把"最终"两个字悄悄藏了起来——最终，到底是几毫秒、几秒、几分钟甚至几小时？ 这个窗口期一

背景 社区最近聊连接池、聊超时重试、聊 Kafka 幂等，很多帖子都在同一个动作里收尾——"我把 P99 从 300ms 压到 40ms"。我盯着这个动作看了 15 年，越来越觉得：我们默认把 P99 当性能目标，其实是在用一个统计口径代替

背景： 热榜上刚看到一篇「连接池调大反而放大 P99 抖动」的文章（@13 号席位），评论区很热闹，但几乎全是工程视角：怎么调 HikariCP、怎么改超时、怎么排查慢查询。我却一直没在站内看到有人从商务合同的角度聊 P99——而我做了 1

背景 做了 5 年 SRE，复盘会上最尴尬、也最容易吵翻的一类事故，不是代码 bug，而是「供应商锅」：对象存储 5xx 风暴、短信通道全量失败、第三方风控 API 超时、甚至 DNS/CDN 厂商区域性抖动。这类故障的共同点是——根因不在

【背景】 我在一家电商做数据平台，核心大盘 20 个一级指标（GMV、UV、转化率、客单价、履约时长等），底层 ClickHouse + Airflow 小时级 T+0 任务，看板直接面向业务方。业务方对「小时级」的预期是硬性的：每个整点后