RPC调用失败重试需严格区分临时性故障且幂等，优先用status.FromError解包判断code，仅codes.Unavailable等可重试，配合指数退避+jitter+context感知，超时须注入ctx，熔断降级同步启用，重试≤3次。
大规模 RPC 调用失败时，不能靠“多试几次”硬扛——错误类型没分清、重试没退避、超时没协同，轻则放大抖动，重则触发雪崩。核心判断标准就一条：是否为临时性故障（如网络闪断、服务瞬时过载），且调用本身幂等。
gRPC 中 status.Code() 必须解包后判断
直接对 err.Error() 做字符串匹配（比如 "timeout" 或 "unavailable"）在大规模场景下极不可靠：中间件会包装错误、gRPC 版本升级可能改写 message、日志脱敏还可能抹掉关键词。必须先用 status.FromError(err) 解包，再取 .Code()。
- 可重试的 code：仅限
codes.Unavailable、codes.DeadlineExceeded、codes.ResourceExhausted（限流）、codes.Internal（但需额外检查 message 是否含"panic"或"nil pointer"） - 绝对不可重试的 code：
codes.InvalidArgument、codes.PermissionDenied、codes.NotFound、codes.AlreadyExists - 若
status.FromError(err)返回false，说明是底层 transport 错误（如net.OpError），这类也应纳入重试范围
重试策略必须带指数退避 + jitter + context 感知
简单 for 循环加 time.Sleep(100 * time.Millisecond) 在 QPS 过万时就是定时炸弹：所有请求在 100ms 后扎堆重试，瞬间压垮下游。退避必须动态、随机、有上限。
- 起始延迟建议
100 * time.Millisecond，每次翻倍，上限设为1s（防止长尾累积） - 每次 delay 乘上
0.5 ~ 1.5的随机因子（jitter），避免重试洪峰 - 必须用
backoff.Retry（来自github.com/cenkalti/backoff/v4）或retry.Do（配retry.Context(ctx)），不能手写裸循环 - 每次重试前要
select判断ctx.Done()，一旦上游取消，立即终止整个重试链
net/rpc 调用失败时必须手动注入超时上下文
net/rpc 的 Client.Call 和 Client.Go 不接受 context.Context，默认无限等待。大规模部署中，一个卡死的连接会拖垮整个 goroutine 池。
立即学习“go语言免费学习笔记（深入）”；
- 正确做法：用
context.WithTimeout创建子 ctx，启动 goroutine 发起client.Go，同时select等待donechannel 或超时 - 超时后不要只关 channel，建议调用
client.Close()（如果连接已半开）并新建 client 实例，避免复用坏连接 - 别在重试循环里反复
dial—— 连接池失效；应在 client 初始化阶段设置net.Dialer.Timeout和KeepAlive - 错误判断优先用类型断言：
errors.As(err, &net.OpError{})或errors.Is(err, io.EOF)，而非字符串匹配
重试不是万能解药，熔断和降级必须同步启用
当 10 秒窗口内失败率超 50% 且请求数 ≥ 20 时，重试已无意义——此时该熔断，而不是继续发请求。大规模场景下，单靠重试只会让问题扩散更快。
- 熔断器需独立配置：失败率阈值、最小请求数、熔断持续时间（建议 30s 起），且状态需跨 goroutine 共享（用
sync/atomic或专用库如sony/gobreaker） - 熔断开启后，所有调用应快速返回预设降级响应（如缓存数据、空对象、兜底文案），不走网络
- 重试次数必须 ≤ 3（含首次），否则总耗时易突破 SLA；高 QPS 服务建议直接设为 2
- 关键点常被忽略：重试期间的 traceID 必须透传（gRPC 需服务端开启
grpc.EnableTracing），否则监控里看不出是第几次重试
