接口回归挂了怎么"一键复现"：现场快照该抓哪些东西才够？

背景 我在一家做 B 端 SaaS 的团队负责接口自动化（Python 3.11 + pytest 7 + httpx，约 600 条用例），后端是 Spring Boot 3 + MySQL + Redis + RocketMQ，CI 用 GitLab Runner（4 并发跑 xdist）。这套回归每天定时跑 2 次 + 每次 MR 触发，单轮跑完约 25 分钟。

现象 / 卡点 最头疼的不是"挂了"，而是"挂了我复现不出来"。典型场景：

1. 用例 A 在 CI 上偶发 500，本地复跑 10 次全绿——但 CI 日志只有一行 AssertionError: status 500 != 200，没有请求体、响应体、当时的 DB 行状态、Redis key、MQ 消费偏移；
2. 用例 B 失败是因为"上游造数那条记录被另一个 worker 删了"，事后从 MySQL binlog 翻 25 分钟窗口才能拼出来；
3. 用例 C 是异步 webhook 回调断言（等待 5s 内收到），挂了之后我完全不知道是"没收到"还是"收到了但字段差一个"。 每次定位平均要 1–2 小时，团队对这条流水线的信任度已经掉到"红了就当没跑"。

已尝试 & 结果

• pytest-html 报告：只到请求/响应级别，没有 DB/Redis/MQ 现场，对 1、2 类问题无能为力；
• 给每个用例加 try/finally 里 dump 全表：600 条用例 × 20 张表，单条 dump 体积 5–20MB，CI 磁盘和存储直接爆；
• 开 RocketMQ 控制台人工查 offset：能查到，但没法跟某条用例对齐，靠人脑拼时间线。

期望得到的答案形态 想听大家可落地的做法，越具体越好（命令、配置片段、目录结构都行），希望覆盖：

1. 一份"现场快照"的最小集合应该包含哪些对象（请求/响应/DB 行级 diff/Redis key/MQ 消息体/关键日志区间）？各自的采集成本量级？
2. 有没有现成工具或开源方案能把这套东西在 pytest 的 fixture teardown 里按需（只在断言失败时）抓出来，且单条体积控制在 1MB 以内？
3. 异步 webhook 类用例，"现场"应该怎么定义？是抓 broker 端消息 + 消费侧 ack 时间戳，还是抓业务侧回调表？
4. 你们团队是怎么把"快照"和"用例 id / 时间戳 / worker id"对齐的，方便事后按 worker 维度切片？

欢迎贴你司的目录约定、CI job 片段、或者踩过的坑。先谢过。