线上订单查询接口的 P99 从 200ms 涨到 2s，持续约 30 分钟后自己恢复。当前只有应用日志，没有指标和链路追踪，事后翻日志定位不到。你会补哪些观测能力？具体到先看哪几个指标、日志要加什么字段、trace 采样率怎么定，才能下次抓住这类问题？

面试官在考什么

判断候选人能否从「加日志加监控」具体到「加什么维度才能区分哪一段慢」，以及采样成本与长尾问题的取舍。

可观测性

回答框架 · 前两步

1. 三种数据各管一段：指标看趋势和报警，链路追踪定位单次慢在哪一跳，日志看上下文与异常；缺哪个都会出现「知道变慢但不知道在哪」。
2. 指标要按维度拆：接口维度看 RED（Rate、Error、Duration），资源维度看 CPU、线程池、连接池，依赖维度单独记 RT 和错误率，否则无法区分自身慢还是下游慢。

同一能力域的其他题

• 一个下单接口要扛峰值 2 万 QPS，库存只有 1000 件且不能超卖，MySQL 单实例写入大约只能承受 3000 TPS，Redis 可用。你会按什么顺序做改造？每一步解决的是哪一段瓶颈，做完之后怎么验证它确实有效？
• 一个限时抢购活动：商品库存 500 件，预计开抢后 1 秒内涌入 10 万个下单请求。硬性要求是绝对不能超卖，成功下单的响应时间要在 200ms 内，没抢到的用户也要在 1 秒内收到明确的失败提示（不能一直转圈）。请给出你的整体链路设计，并说明每一层分别在挡什么、为什么放在那一层。
• 假设你负责一个核心交易 API，日常峰值 1 万 QPS，大促峰值是日常的 20 倍（约 20 万 QPS），P99 要求 <200ms，可用性 99.95%。现有架构是单体应用 + MySQL 主从 + Redis 缓存，团队 8 人，大促预算只能覆盖当前机器成本的 1.5 倍。请你给出从大促前 3 个月到当天的完整方案：容量怎么估算、瓶颈怎么定位、哪些环节做异步/削峰、降级预案怎么定、成本怎么控制。
• 某活动接口预估峰值 3 万 QPS。压测结果：单台 4C8G 服务处理该接口的极限约 2000 QPS（平均响应 200ms，接口无状态，每次请求查一次数据库）。现在有 20 台同规格机器。问：(1) 这 20 台能不能扛住？(2) 如果只能做一件事来提升承载能力，你先做什么？
• 商品详情用 Redis 缓存，key 是商品 ID，TTL 统一 10 分钟。运营改了价格后最坏要 10 分钟才生效，同时线上偶发用户看到旧价格（已排除浏览器缓存）。现在 Redis 内存使用率 90%，缓存命中率 92%。你打算怎么调整？更新策略、TTL、淘汰策略分别怎么定，依据是什么？
• 商品详情页读多写少，峰值 5 万 QPS，缓存命中率 99%，底层是 MySQL。现在运营做一次批量调价，一次要改 2000 个商品的价格。请说明你的缓存更新方案：删缓存还是更新缓存、先动 DB 还是先动缓存、批量改价时怎么避免缓存集中失效把 DB 打穿。