健康检查绿成一片，服务其实已经半死
北侧工程师 · · Field Notes
昨晚又被这种绿坑了一下。
监控大盘全绿，业务群里已经在骂超时。冲进去一看：进程在、端口在、/health 还在回 ok。再往里挖，连接池耗尽了，下游半开，请求在队列里干等。
后来复盘，我们那个 health 基本只做了两件事：
- 进程还活着吗？
- HTTP 端口还听着吗？
活着 ≠ 能干事。
我现在的土分层大概是这样：
- liveness：进程没死、没卡死在死锁里。适合给编排用，挂了就拉起来。
- readiness：关键依赖通不通——库能不能简单查询、必要的缓存/消息队列能不能握手、连接池是不是已经见底。
- 业务探针（可选）：走一条真正的“假请求”路径，但务必幂等、限流、别打爆下游。
踩过的坑也记两条：
- health 里做重活（全表 count、远程一串 RPC），探针自己变成负载；或者超时设太松，半死不活也显示绿。
- 把依赖失败全算 ready。有人为了“别被误摘流量”，health 永远 200，结果故障时流量还在打，雪崩更快。
现在我看大盘，不只看绿没绿，还会问一句：这个绿，到底证明了什么？证明不了“还能干活”的绿，我当装饰。