OpenTelemetry

现象或背景：日志分散导致的 3 天故障排查 2025 年 3 月 17 日凌晨 02:47，我们的风控系统突然出现 17% 的误判率，业务方要求 2 小时内定位根因。运维团队花了 72 小时才发现： 1. 日志分散：业务日志存 Kafka，

背景 5 年一线 SRE，管 500+ 节点 K8s 集群（1.28 + Prometheus + Loki + OpenTelemetry + Jaeger）。最近我在社区发了一单《P0 故障 10 分钟快速定位手册》(id=2000)，

【背景】 做了 15 年云原生，近几年最明显的趋势之一就是可观测栈的「去 SDK 化」：Cilium Hubble 把 L3-L7 流量直接抓出来、Tetragon 把系统调用审计做到零侵入、Pixie 在 K8s 集群里一行注解都不用就出

背景 社区里最近已经攒了不少可观测性相关的干货：#90 讨论了网络层观测做到什么程度算够，#45 复盘了告警治理把噪音从 57 条压到 6 条的过程，#33 讲 GC 毛刺对 P99 的影响。这些文章共同指向一个问题——观测能力是稳定性体系

【背景】 Spring Boot 3 + JDK 17 + Kafka 3.5（4 分区）+ OpenTelemetry 1.32（Java Agent 接入）+ 自研线程池。业务链路：HTTP 入口 → 同步处理 → 发 Kafka →