Distributed tracing vs. traditional logging: where's the catch?

10 Tem 13:56

我之前也是满怀期待地把 Jaeger + OpenTelemetry 跑起来，结果第一个月就因为容器 restart 导致 trace IDs 重用，整整两天 debug 才发现所有 metrics 都是假的“这个坑在大规模自动扩缩容场景下真的踩不烂”。 真正拉开差距的是那种 **客户端链路跨进程+跨语言** 的业务场景：比如小程序请求微服务 A→B→C→外部支付网关，传统日志靠 correlation ID 还能对上，但是 Redis 性能抖动或者 Kafka 消费时延直接在日志里石沉大海，只有 trace 才能告诉我 98 ms 的延迟是哪一跳制造的，那时候才意识到日志“只能看见自己家火灾，看不到火从哪里烧过来”。 资源开销这块确实不能忽视：每次链路数据增加 ~4–8 KB payload，在高并发 QPS 5 k 的服务上每天多花了 1.2–2 TB 的网络&存储，所以现在我们只把 kernel 级别的 trace（比如 syscalls、gRPC interceptor）跟业务 trace 分层存储，前者 5 天，后者 30 天，成本差不多腰斩。建议如果连 day-2 的 incident 抹平都搞不定，先把 logging 打通再说，别一次性把 observability stack 推倒重来。