2023年Q3，某SaaS团队的监控大屏一片翠绿——部署频率从每周2次飙到日均47次，故障恢复时间压到4分钟以内，自动化覆盖率97.3%。
CTO在全员会上放了张PPT：「我们做到了行业前5%的工程成熟度。」
三个月后，客服工单里出现一种奇怪的投诉：「页面不卡，但就是觉得慢。」用户说不清哪里慢，流失率却涨了12%。
「慢」成了一种分布式体验
技术团队最初怀疑是前端渲染问题。抓包分析后，每个接口的P99响应都在200ms以内，完全健康。
直到一位工程师把全流程串起来测了一遍：用户点击按钮→触发API网关→鉴权服务→业务服务→缓存→数据库→返回。单看每个环节都很快，端到端却花了1.8秒。
问题藏在自动化本身。
CI/CD流水线每次部署会触发12个自动化检测任务：单元测试、集成测试、安全扫描、性能基线对比、依赖漏洞检查、配置漂移检测……每个任务平均耗时15-40秒。为了「不阻塞发布」，团队把这些任务全改成了异步。
异步意味着解耦，解耦意味着队列。
某个微服务上线时，它的健康检查请求要排队等3个前置任务完成。另一个服务调用它时，又触发一轮新的健康检查。检查本身很快，但检查的检查、检查的检查的检查，在分布式系统里堆成了递归。
「我们把延迟做成了俄罗斯套娃，每层都觉得自己很轻。」
监控仪表盘成了盲区
更隐蔽的是可观测性本身的成本。
团队接入了7种监控工具：APM追踪每个请求的调用链，日志平台每秒采集50万条日志，指标数据库存储着847个自定义仪表盘。这些工具都按「自动化最佳实践」配置，采样率100%，保留期90天。
结果是：每产生1元的业务流量，要烧掉0.4元的监控存储和计算成本。更糟的是，追踪数据本身成了瓶颈——一个请求经过12个服务，会产生约2MB的追踪日志，这些日志的写入和索引延迟，被算进了「系统响应时间」里。
用户感知的慢，有一部分是系统在忙着记录自己有多快。
基础设施即代码（IaC）也贡献了意外延迟。Terraform配置里为了保证「幂等性」，每次部署会重新校验整个环境状态，哪怕只改了一行代码。云厂商的API调用有速率限制，Terraform乖乖排队，队列深度在高峰期达到400+。
一位工程师在内部文档里写：「我们自动化了所有能自动化的事，除了自动化本身的复杂度。」
回退比推进更难
发现问题后，团队试图砍掉部分检查。第一个被盯上的是「配置漂移检测」——每次部署后对比实际状态与代码状态的差异。
产品经理反对：「上个月刚靠这个发现一起人为改生产配置的故障。」
安全团队反对：「漏洞扫描如果异步改定时，合规审计过不了。」
运维团队反对：「自动扩缩容依赖实时指标，降采样会丢峰值数据。」
每个自动化环节都有存在的理由，合在一起却产生了没人负责的系统性摩擦。这就像厨房里有6个自动化的智能设备，每个都声称能提升效率，但做一道菜要唤醒12个APP，总耗时比明火灶还长。
最终采用的方案是「分层熔断」：核心路径保留同步检查，非关键检查降级为采样执行，监控数据保留期按业务等级分层。自动化覆盖率从97%降到71%，端到端延迟从1.8秒压到380ms。
CTO在复盘会上说：「我们以前追求『一切自动化』，现在追求『值得自动化的才自动化』。这两个目标的差距，大概是3个季度的学费。」
行业正在重复同样的路径
这份内部复盘被匿名发到技术社区后，收获了1700+条评论。高频出现的词不是「解决方案」，而是「我们也是」。
某电商平台的工程师留言：「我们的CI流水线有23个并行任务，为了『加速』全改成了异步，现在排查一次故障要翻5个队列的日志。」
一位云厂商架构师回复：「客户最常问的问题已经从『怎么自动化』变成『怎么给自动化踩刹车』。」
数据印证了这种转向。Gartner 2024年调研显示，73%的企业正在「重新评估自动化范围」，高于2022年的41%。其中28%明确将「减少自动化带来的隐性复杂度」列为年度目标。
工具厂商也在调整话术。某DevOps平台的新版文档里，「全链路自动化」被替换为「可观测的自动化」，并新增了一章「如何为自动化设置预算上限」。
这像是一个行业的集体清醒：自动化不是终点，而是需要被管理的对象本身。
那位写下「除了自动化本身的复杂度」的工程师，后来在团队内部发起了一个「手动日」实验——每月第一周，所有人必须用半自动方式完成部署，记录哪些步骤其实不需要机器代劳。
第一期的发现是：37%的自动化检查从未触发过告警，12%的监控仪表盘过去90天无人查看，而那个被Terraform反复校验的「完整环境状态」，实际变更频率是每6个月1次。
「手动日」的文档最后一行是个未解决的问题：如果我们把省下来的计算资源折算成工程师时间，这些时间该用来做什么？
热门跟贴