你们的在线推理服务跑在 60 个 Pod 上，高峰 8k QPS，每个请求平均打 12 行 INFO 日志，日志平台按写入量计费。现在日增 30TB、保留 30 天，日志成本已经接近计算成本的一半，但 SRE 依然抱怨出事时日志不够用。请给出你的日志治理方案：分级和采样怎么定、哪些日志必须 100% 保留、如何在量降下来的同时不丢排查能力，以及你打算怎么推动各业务方配合。另外说清楚：生产环境需要看某个 Pod 的详细执行过程时，你会用断点还是动态日志，为什么。
面试官在考什么
判断候选人是否把「日志」当成一个有成本的系统来设计，能在可观测性与成本之间做取舍，并具备跨团队推动规范落地的能力，而不是只会加日志。
回答框架 · 前两步
- 日志分级与用途绑定：ERROR/WARN 全量且必带 trace_id；关键业务状态迁移全量；入参出参、循环内明细这类走按需开关或尾部采样。
- 降量优先级：结构化日志 + 字段裁剪（去掉大对象 dump、base64、重复堆栈）是最直接且不损害排查力的一步，其次才是采样。
还有 3 条答案要点、 3 层追问、 5 个常见坑， 以及针对你简历的追问路径，在定制报告里。
同一能力域的其他题
- 生产环境某接口每天偶发几笔“参数校验失败”，现有日志只有一行“invalid param”，没有请求上下文，也无法在测试环境复现。约束：不能重启服务、不能停流量、不能改业务逻辑。你如何在不影响线上稳定的前提下补日志或使用断点定位？请给出操作顺序、日志字段和级别、断点使用条件，以及日志量过大时的控制手段。
- 线上一个服务 QPS 约 5000，某核心接口 P99 约 200ms。存在一个约万分之一概率的数据不一致问题，平均每天出现 3~5 次，本地和压测环境都复现不出来，下一次上线窗口在一周后。现在要在生产现场抓这个问题的证据。请具体说明：你会用日志还是断点（或动态追踪）？日志打在哪一层、打哪些字段、如何控制采样？如果在 5000 QPS 的进程上挂一个阻塞式断点，会造成什么后果，你用什么手段规避？
- 一个 Flask 接口线上每天有几次返回 500，日志里只有一行 "handle request failed"，没有堆栈；本地用同样的参数打了几千次都复现不了。请说出你接下来会怎么改日志让下一次失败能自证原因：加哪些字段、用什么级别？另外有人提议直接在线上挂断点单步调试，你怎么看？
- 某接口 P99 从 200ms 涨到 1.2s，平均耗时只涨了约 100ms，CPU 使用率没有明显变化，入口 QPS 基本不变。你手上只有该服务的性能剖析工具（CPU profiler、锁分析、GC 日志、链路追踪）和少量机器权限。请说明你会先看什么、再看什么，如何逐步区分是 CPU、锁、GC、IO、下游依赖还是排队导致的长尾。
- 线上服务 QPS 稳定在 2000，业务量没有变化，但接口 P99 从 50ms 恶化到 300ms。机器 CPU 使用率只有 60%，内存指标正常，下游依赖的 RT 监控也没变化。团队第一反应是“扩容加副本”。请说明你的排查路径：你会先看哪些指标，选择哪种 profiling（CPU sampling、wall-clock、off-CPU、锁/GC/IO 等待分析），为什么？在这个场景下扩容能不能解决问题？
- 一个在线推理服务，QPS 没变、CPU 利用率也没变，但 P99 从 120ms 涨到 450ms，P50 几乎没动。团队第一反应是『加机器』。你觉得这个判断对不对？请给出你的排查路径：先做什么、用什么工具、每一步想排除掉哪个假设，以及出现什么信号时你会把怀疑从服务本身转向外部依赖（下游、网络、存储）。