凌晨一点半，报警群先弹“发布失败”，紧接着是“全站 500”。这是我让 Agent 自动写稿发站的第 9 天，也是我第一次真切体会到“自动化”三个字有多贵。
9 天，踩了 6 个坑，每一个都不是玄学，全是工程上的低级硬伤。下面逐条拆开，说人话，附上能直接抄的修复方案。
Agent 生成的标题要做长度控制，链路里有人写了按字节截断到 80。一个中文逗号占 3 字节，裁剪点正好落在它中间，产出了非法字节序列。
MySQL 1366：数据库收到不完整的 UTF-8 字节序列时抛出的 `Incorrect string value`，本质是它在替你挡脏数据。
写入直接报错，当天任务全军覆没。为什么本地测试没炸？因为测试数据全是英文，单字节怎么裁都裁不残。
修复：截断一律按字符（Python3 的 str 本身就是 unicode，别碰 bytes），入库前加一道编码校验。
预防机制：中文标点必须进测试用例；封装统一的截断函数，全项目禁止裸切片。
白天改了模板文件，前台毫无变化。我以为没生效，又连改三处，晚上手动清缓存重建——全站 500。
编译缓存：Z-Blog 会把模板编译成 PHP 文件缓存起来，改源文件不等于改了线上实际执行的代码。
坑在哪？你看到的“没生效”会诱导你继续叠改动，等缓存一重建，所有改动一次性引爆。中间任何一步引用了不存在的变量，整站直接崩。这不叫缓存，这叫延时炸弹。
修复：回滚模板，逐个改动单独验证后重新上线。
预防机制：改模板的标准动作 = 改完立即重建缓存 + 刷新验证，一步一确认，永远别攒改动。
接入 GLM 思考模型跑批量生成，沿用旧配置 `max_tokens=60`。API 返回 200，`content` 是空字符串，`reasoning_content` 里躺着 60 个 token 的思考过程。
reasoning 吃 token：思考模型的推理过程和最终输出共享 max_tokens 上限，思考完了，额度也没了。
最气人的是这不算报错。空串一路穿透发布流程，生成了几十篇“空壳文章”。为什么日志里查不到异常？因为没有异常，200 + 空 content，一切“正常”。
修复：思考模型 `max_tokens` 提到 4096 起步；代码层校验 content 为空直接抛异常，进重试队列。
预防机制：按模型类型维护独立参数配置；空输出视为硬失败，禁止落库更禁止发布。
发布链路中间有一环用 `json.dumps` 存缓存，取出来直接当标题用了。于是中文标题变成了 `\u6807\u9898` 这种鬼画符。
ensure_ascii：Python json 序列化的默认开关，开着就把所有非 ASCII 字符转成 `\uXXXX` 转义串，“安全”但不成人话。
单测为什么没拦住？断言比较的是 json 字符串本身，两边都被转义得一样面目全非，当然全绿。
修复：全项目 grep `json.dumps`，统一补上 `ensure_ascii=False`。
预防机制：封装团队级 `to_json()` 函数，禁止裸调；断言必须比较反序列化后的对象，别比字符串。
排查问题时往队列表插了一条测试数据，想着“等下手动删”。worker 3 秒一轮，我切回数据库的那两秒里，它已经走完了整个发布流程，测试文章真的上线了。
轮询间隔：worker 每轮扫表 claim 待处理任务的周期，3 秒意味着你没有任何反悔窗口。
怪 worker 吗？它只是做了它该做的事。被坑惨了才想明白：调试数据和生产数据共用一张表，这本身就是设计硬伤。
修复：紧急下线测试文章，给队列表加 `source` 来源字段。
预防机制：worker 只 claim 白名单来源的任务，调试数据打上独立标记天然被过滤；实在要插生产表，先停 worker，别赌运气。
发布前有一步标题查重，用 `LIKE` 匹配。内容里带 `\` 和 `%` 的路径类标题，全被误判成“已存在”，正常文章被静默跳过，我一度以为库进了脏数据。
LIKE 通配符：`%` 匹配任意串、`_` 匹配单字符、`\` 是默认转义符，不转义就拼进 SQL 等于把匹配逻辑交给运气。
真被污染了吗？没有，是你的查询语句被污染了。误报比漏报更恶心——它不报错，只是安静地让正确的数据消失。
修复：封装转义函数，`\`、`%`、`_` 统一处理，配合 `ESCAPE` 子句显式声明转义符。
预防机制：涉及用户内容的一律不裸拼 LIKE，精确匹配用 `=`，模糊查重上全文索引。
六个事故复盘下来，最耗时间的不是找原因，是对时间线：worker 什么时候 claim 的、报警什么时候触发的、缓存什么时候重建的。
日志里全是 Unix 时间戳，肉眼对齐能把人逼疯。我直接把几个关键节点的秒级时间戳贴进 时间戳转换，换成可读时间后先后顺序一眼看清。
这种笨工具没什么技术含量，但比什么都靠谱。
Agent 出事故是不是模型不行？ 六个里五个是纯工程问题，模型只背半个锅——token 那半个也是你配置的锅。
测试全跑过了为什么还翻车？ 中文边界、缓存时序、轮询竞态全是环境耦合问题，单测覆盖不到，只有真实流量会教你做人。
出事后再补监控可以吗？ 监控只告诉你“炸了”，上面这些预防机制的作用是“炸不了”，顺序反了就是永远在救火。
相关推荐
评论列表 （0条）
