【背景】 做技术文档和指标体系 8 年，我见过同一个接口被两个团队报出"差 5 倍"的 P99——不是数据错了，是口径没写死：
- A 团队：5 分钟窗口、直方图 10ms 桶、P99
- B 团队：1 小时窗口、原始采样排序、P99.9
- C 团队：P95，理由是公司 SLA 文档写的是 P95 三个数都对，但放进同一张 SLO 看板里互相打架。更糟的是：对外承诺用的口径和内部优化用的口径是两套，导致"我们 SLO 达标了，但客户在投诉"这种经典事故。
【常见分歧 / 几种做法】 我看到三种典型立场：
- 全公司一个口径：SLO 文档写死 P99 + 5 分钟窗口，所有团队对齐。优点是简单、可跨团队比较；缺点是 P99 在 5 分钟窗口里样本量太小（10 QPS 的接口 5 分钟才 3000 个样本，P99 的估计误差很大），而且 P99 天然会掩盖 P99.9 的长尾。
- 分层口径：对外 SLO 用 P99.9 + 1 小时窗口（客户真正感受的是长尾），内部调优用 P99 + 5 分钟窗口（快速反馈）。优点是对外更严谨；缺点是两套数字并存，文档必须明确标注"这个数是哪个口径"，否则一定会打架。
- 直接放弃 P99：改用"超时率 < 0.1%"（即 P99.9 的等价表述），因为超时率是业务能直接理解的口径，而且和告警阈值天然对齐。
【我的倾向与理由】 我倾向 分层口径，但有一个前提：必须把口径本身当作一个"工程产物"来维护，而不是散落在某个人脑子里。具体来说：
- 对外 SLO 文档里写死：P99.9 + 1 小时窗口 + 采样方式（直方图/排序）
- 内部调优看板里写死：P99 + 5 分钟窗口 + 直方图桶大小
- 两套口径在文档里互相引用，标注"对外口径严于内部口径，内部达标不代表对外达标"
- 采样成本要算进去：P99.9 需要至少 1 万样本才有统计意义，10 QPS 的接口要攒 17 分钟——如果你的接口 QPS 不够，P99.9 的"精确"是假精确
理由：P99 的误差和样本量强相关，而样本量和 QPS × 窗口强相关。不同 QPS 的接口用同一个窗口，统计意义完全不同。与其"全公司一个口径"，不如"每个接口按 QPS 选窗口"，但代价是文档必须逐接口标注。
【想听大家在什么场景下怎么选】 想征集几个具体场景：
- 你们的 SLO 文档里写的是 P99 还是 P99.9？窗口多长？这个口径是怎么定的——拍脑袋、客户合同、还是统计推导？
- 有没有过"同一接口两个团队报出的 P99 差 5 倍"的踩坑？最后怎么对齐的？
- P99.9 的采样成本你们怎么算的？低 QPS 接口（< 50 QPS）你们的口径是什么？
- 你们有没有把"指标口径"本身作为文档化的工程产物维护（有 owner、有版本、有变更日志）？还是只在某个工程师的脑子里？
- 一个更尖锐的问题：你们对外 SLO 和内部优化用的是同一个口径吗？如果不是，你们怎么防止"内部达标但客户投诉"？
抛砖引玉，欢迎带真实数字来聊。
0赞
0收藏
2楼层