系统已拆成 30 个微服务，跑在 K8s 上。最近线上故障平均排查时间 2 小时，MTTR 很高。现状：日志分散在各容器，指标只有基础 CPU/内存，链路追踪缺失。预算有限，不能全量采集所有日志和链路。请你设计可观测性体系：日志、指标、链路的选型与采集、存储、告警、成本控制，以及如何推动 30 个团队落地统一规范。
面试官在考什么
判断候选人能否在成本和跨团队约束下，设计可关联、可告警、可落地的可观测性体系。
回答框架 · 前两步
- 三支柱：日志、指标、链路，统一 TraceID 关联，形成从告警到根因的排查路径。
- 采集：OpenTelemetry 标准，agent/sidecar 自动埋点，关键业务手动埋点，统一数据格式。
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
- 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。