687c4535f8
P0-1 (limits.go): Allow()方法改为全程使用写锁保护counters map读写，避免RLock写入时的data race P0-2 (ticket_workflow.go+ticket_handler.go): Assign/Resolve/Close操作先查询ticket存在性和状态，返回明确的CS_TICKET_4001/CS_TKT_4002/CS_TICKET_4092/CS_TICKET_4093错误码，handler根据错误前缀路由HTTP状态码 P1-1 (ticket_store.go): 移除GetStats中3处手动rows.Close()，只保留defer Close()
153 lines
4.3 KiB
Markdown
153 lines
4.3 KiB
Markdown
# 灰度发布与回滚 Runbook
|
||
|
||
> 版本：v1.0 | 状态：初稿（待 TechLead 补充部署部分）
|
||
> 关联：PRODUCTION_EXECUTION_PLAN.md、PRODUCTION_PHASE1_STATUS.md
|
||
|
||
---
|
||
|
||
## 1. 灰度发布策略
|
||
|
||
### 1.1 灰度阶段定义
|
||
|
||
| 阶段 | 流量比例 | 持续时间 | 通过条件 |
|
||
|------|----------|----------|----------|
|
||
| 灰度 5% | 5% 新版本 / 95% 老版本 | 1-2 天 | 错误率 < 1%，无 P0/P1 问题 |
|
||
| 灰度 20% | 20% 新版本 / 80% 老版本 | 2-3 天 | 错误率 < 0.5%，SLA 指标达标 |
|
||
| 灰度 100% | 100% 新版本 | - | 灰度 20% 稳定 48h 后全量 |
|
||
|
||
### 1.2 灰度切换方式
|
||
|
||
**当前实现状态**：生产一期**灰度发布能力未落地**，尚无配置化灰度开关。
|
||
|
||
**临时方案**：通过 Kubernetes `Deployment` 副本数控制：
|
||
- 灰度 5%：新版本 1 副本，老版本 19 副本
|
||
- 灰度 20%：新版本 4 副本，老版本 16 副本
|
||
- 全量：新版本 20 副本，老版本 0 副本
|
||
|
||
**正式方案（待实现）**：
|
||
- 引入 feature flag 服务（LD / Apollo）
|
||
- 按用户 ID、渠道、地区等维度灰度
|
||
- 支持热开关，无需重启
|
||
|
||
---
|
||
|
||
## 2. 灰度发布检查单
|
||
|
||
### 2.1 发布前检查
|
||
|
||
- [ ] 所有 P0/P1 缺陷已关闭
|
||
- [ ] 上一节 8 个 PM 文档已全部建立
|
||
- [ ] 审计日志可查询、可追溯
|
||
- [ ] PostgreSQL migration 已执行，数据完整
|
||
- [ ] 运营后台可看到工单列表/统计
|
||
- [ ] health/readiness 检查通过
|
||
|
||
### 2.2 发布后检查（每阶段完成后）
|
||
|
||
- [ ] Webhook 可用率 ≥ 99.5%（当前无 metrics，**需补齐 P1**）
|
||
- [ ] 错误率 < 0.5%（同上）
|
||
- [ ] 转人工率 ≤ 15%
|
||
- [ ] 工单创建/分配/解决链路可正常工作
|
||
- [ ] 审计日志正常写入
|
||
- [ ] 无新增 P0/P1 问题
|
||
|
||
---
|
||
|
||
## 3. 回滚触发条件
|
||
|
||
### 3.1 必须立即回滚的条件
|
||
|
||
满足以下任意条件，立即启动回滚，无需审批：
|
||
|
||
| 条件 | 说明 |
|
||
|------|------|
|
||
| Webhook 可用率 < 95% | 大量请求失败 |
|
||
| P0 安全漏洞被触发 | 如签名校验被绕过 |
|
||
| PostgreSQL 数据损坏 | 审计/工单写入失败 |
|
||
| 100% 请求返回 5xx | 服务完全不可用 |
|
||
| 错误率 > 5% | 持续 5min 以上 |
|
||
|
||
### 3.2 建议回滚的条件
|
||
|
||
满足以下条件时，技术负责人评估是否回滚：
|
||
|
||
| 条件 | 说明 |
|
||
|------|------|
|
||
| 错误率 > 2% 持续 10min | 异常但未达必须回滚阈值 |
|
||
| 特定渠道全部失败 | 如 Telegram webhook 全部报错 |
|
||
| SLA 指标连续劣化 | 响应时间 P95 > 10s |
|
||
|
||
### 3.3 不需要回滚的条件
|
||
|
||
- 边缘渠道偶发超时（< 0.5%）
|
||
- 非核心功能（如 knowledge base 搜索偶发无结果）
|
||
- 新版本 warning 日志增加（不影响功能）
|
||
|
||
---
|
||
|
||
## 4. 回滚操作流程
|
||
|
||
### 4.1 当前状态
|
||
|
||
生产一期**自动回滚机制未落地**，依赖人工执行。
|
||
|
||
### 4.2 手动回滚步骤（当前临时方案）
|
||
|
||
```bash
|
||
# 1. 确认当前版本和历史版本
|
||
kubectl rollout history deployment/ai-customer-service
|
||
|
||
# 2. 查看当前版本状态
|
||
kubectl get pods -l app=customer-service
|
||
|
||
# 3. 回滚到上一版本
|
||
kubectl rollout undo deployment/ai-customer-service
|
||
|
||
# 4. 确认回滚成功
|
||
kubectl rollout status deployment/ai-customer-service
|
||
|
||
# 5. 确认旧版本 pod 运行正常
|
||
kubectl get pods -l app=customer-service
|
||
```
|
||
|
||
### 4.3 回滚后检查
|
||
|
||
- [ ] `/actuator/health` 返回 `{"status":"up"}`
|
||
- [ ] `/actuator/ready` 返回 `{"status":"up"}`
|
||
- [ ] 手动测试 webhook 消息接收
|
||
- [ ] 确认审计日志正常写入
|
||
- [ ] 确认工单 API 正常工作
|
||
|
||
---
|
||
|
||
## 5. 故障恢复后的重新发布
|
||
|
||
当回滚后问题修复，需重新走灰度流程：
|
||
|
||
1. 问题根因分析完成
|
||
2. 修复方案经过代码 review
|
||
3. 在 staging/预发布环境验证
|
||
4. 从灰度 5% 重新开始，不允许跳阶段
|
||
|
||
---
|
||
|
||
## 6. 灰度期间监控（待实现）
|
||
|
||
| 指标 | 当前状态 | 目标 |
|
||
|------|----------|------|
|
||
| Webhook 成功率 | 未监控 | P1 缺口 |
|
||
| API 错误率 | 未监控 | P1 缺口 |
|
||
| PostgreSQL 查询延迟 | 未监控 | P1 缺口 |
|
||
| 工单未关闭积压 | 未监控 | P1 缺口 |
|
||
| 签名校验失败率 | 未监控 | P1 缺口 |
|
||
|
||
> **说明**：metrics/tracing/SLO 属于 P1 缺口，灰度前必须补齐，否则无法客观评估灰度质量。
|
||
|
||
---
|
||
|
||
## 7. 当前版本状态
|
||
|
||
- **本文档版本**：v1.0
|
||
- **生效日期**：2026-04-30
|
||
- **下次审查**：灰度/回滚机制正式落地后
|