gRPC连接断开后不自动重试，需在业务层对codes.Unavailable和codes.DeadlineExceeded做带退避的重试；HTTP客户端须配置IdleConnTimeout、KeepAlive和MaxIdleConnsPerHost；服务发现应结合健康检查动态刷新；熔断器参数需按SLA动态调整。
gRPC 连接断开后不自动重试？检查 WithBlock() 和 WithTimeout() 的组合
默认情况下，grpc.Dial() 是非阻塞的，连接建立失败不会立即报错，而是在首次 RPC 调用时才暴露问题——这会让网络抖动看起来像“服务突然不可用”，而非“连接暂不可达”。
常见错误现象：rpc error: code = Unavailable desc = connection closed 或 context deadline exceeded 频繁出现，但服务端其实一直在线。
- 避免使用
WithBlock()（它会卡死在 dial 阶段，失去快速失败能力） - 改用
WithTransportCredentials()+WithKeepaliveParams()显式控制健康探测 - 为每个
grpc.Dial()设置合理的WithTimeout(5 * time.Second)，让初始化失败可感知、可监控 - 真正需要重试时，应在业务层（而非 dial 层）对
codes.Unavailable和codes.DeadlineExceeded做带退避的重试，例如用backoff.Retry()（来自github.com/cenkalti/backoff/v4）
HTTP 客户端超时链断裂：别只设 Timeout，漏掉 IdleConnTimeout 和 KeepAlive
微服务间大量走 HTTP（比如调 Registry、Metrics、Config），抖动下连接池复用失效是高频原因。只设 http.Client.Timeout 没用——它只管单次请求，不控连接生命周期。
典型表现：抖动恢复后，大量请求卡在 net/http: request canceled (Client.Timeout exceeded while awaiting headers)，但 curl -v 却能通。
立即学习“go语言免费学习笔记（深入）”；
-
Transport.IdleConnTimeout必须显式设（如30 * time.Second），否则空闲连接可能滞留数分钟，抖动后复用陈旧连接导致首包丢弃 -
Transport.KeepAlive设为15 * time.Second，配合服务端tcp_keepalive_time，主动探测连接是否存活 - 禁用
Transport.MaxIdleConnsPerHost = 0（即不限制），或至少设为100，避免抖动期间连接池瞬间枯竭
服务发现结果缓存过久？Resolver 的 ResolveNow() 不是万能药
Consul/Etcd/Nacos 客户端返回的实例列表如果缓存太久（比如 5 分钟），网络抖动导致某节点短暂失联，但客户端还在往它发请求，就会放大故障面。
关键误区：以为调一次 resolver.Resolver.ResolveNow() 就能立刻刷新——它只是触发异步重解析，不等结果返回，也不保证下次请求就用新地址。
- 必须搭配
grpc.WithResolvers()自定义Resolver，并在其ResolveNow()中集成健康检查回调（例如 ping 实例的 /health 端点） - 对 DNS 类 resolver，启用
GRPC_GO_REQUIRE_HANDSHAKE=0环境变量可跳过 TLS 握手阻塞，但需自行校验证书有效期 - 更稳妥的做法是：在每次 RPC 失败且错误码为
codes.Unavailable时，触发一次同步健康探活（非全量 re-resolve），仅针对当前失败 endpoint
熔断器误判抖动为服务崩溃？hystrix-go 默认阈值太激进
hystrix-go 默认 20 秒内 20 次失败就熔断，对高 QPS 微服务极不友好——一次秒级抖动就能触发全局熔断，且恢复窗口固定（60 秒），无法自适应。
真实场景中，抖动常表现为 P99 延迟突增、少量超时，而非全量失败。此时熔断不是保护，而是雪上加霜。
- 把
RequestVolumeThreshold提高到至少100（按实际 QPS 换算成 10 秒窗口内的请求数） - 将
ErrorPercentThreshold从默认50改为85，避免低比例失败就被熔断 - 优先换用
sony/gobreaker，它支持滑动时间窗口（Window）和半开状态下的试探性放行（SteadyState），更适合抖动场景
抗性设计最易被忽略的一点：所有超时、重试、熔断参数都必须随服务等级协议（SLA）动态加载，硬编码在代码里等于放弃应对真实网络波动的能力。
