【背景】 我在一家中台团队负责核心链路的指标体系搭建（3 年，Java + Go 混合栈，MySQL + Redis + Kafka，K8s 部署）。去年 Q3 一次典型的 P99 抖动（订单查询接口 P99 从 12ms 飙到 85ms，持续约 90s），事后复盘时我拉了三套指标，结果给出了三个"看起来都成立"的根因：
- RED 视角（Rate / Errors / Duration）：错误率没动（< 0.01%），但 Duration P99 在 14:02:17 开始爬升，比 DB 侧任何指标都早 3s → 指向"应用层排队"。
- USE 视角（Utilization / Saturation / Errors）：DB active connections 占比从 42% 跳到 91%，但 CPU / IO wait 都没过 60% → 指向"连接池饱和，不是资源瓶颈"。
- 业务漏斗视角（下单→支付→履约各环节转化率）：支付成功率在同一窗口掉了 0.3%，但下单量没变 → 指向"下游支付网关超时"。
三个结论不矛盾，但指向的修复动作完全不同：应用层排队 → 加线程池 / 调连接池；DB 连接饱和 → 扩连接 / 加只读副本；支付网关超时 → 联系第三方 / 加降级。我们最后排查下来，根因是支付网关慢 → 回调占住了应用线程 → 连接池被拖满。也就是三个都对，但业务漏斗才是因果链的源头，RED 和 USE 只是中间表现。
这件事让我开始认真想一个方法论问题：当三套指标体系同时在线、互相不矛盾但指向不同修复方向时，团队的"默认信任顺序"是什么？
【常见分歧 / 几种做法】
我观察到的大致分三派：
-
RED 优先派（偏 SRE / 平台团队）： 逻辑是"用户感知的就是 Rate-Errors-Duration"，所以告警和排障都从 RED 出发。优点：口径统一、跨服务可比；缺点：只描述"现象"，不解释"为什么"，对中间件 / 依赖链问题容易停在第一层。
-
USE 优先派（偏基础设施 / DBA 团队）： 逻辑是"资源饱和才是根因，Duration 只是表象"。优点：直接指向容量瓶颈；缺点：对"资源没满但逻辑阻塞"的场景（死锁、慢查询、线程池饥饿）容易漏判。
-
业务漏斗优先派（偏业务 / 产品技术团队）： 逻辑是"用户不关心你 CPU 多少，只关心下单成功率"。优点：天然对齐因果链源头、避免"修了指标但用户没感知"的自嗨；缺点：口径依赖业务定义，跨团队对齐成本高，且漏斗粒度粗，定位到具体服务还要靠 RED / USE 补刀。
还有一种"我全都要"的做法：三套都上 dashboard，但没有明确的排障优先级和升级路径——结果就是告警风暴时值班同学不知道先看哪个面板。
【我的倾向与理由】
我倾向"分层信任 + 阶段切换"：
- 发现阶段（告警触发 → 前 5 分钟）：信 RED。因为 RED 是"用户侧"的，Duration P99 上升是最快能确认"用户受到了影响"的信号。这一步的目标不是定位根因，而是确认影响面（哪个接口、哪个租户、多大比例）。
- 定位阶段（5~30 分钟）：切 USE + 调用链。因为 RED 告诉你"慢了"，USE 告诉你"哪里满了"。这一步需要把 DB / 中间件 / 下游 RPC 的饱和指标拉出来，做排除法而不是确认法。
- 归因阶段（30 分钟+）：拉业务漏斗 + 依赖拓扑。因为前两步可能指向"支付网关慢"，但需要漏斗数据确认"确实是支付环节丢的，不是下单环节"，才能决定修谁的 SLA、找谁谈降级。
核心原则：指标体系不是"哪套更准"的问题，而是"在排障的哪个阶段该信谁"的问题。 三套指标不是竞争关系，是流水线上的三个工位。
但我也承认这个模型有局限：
- 对"非用户可感知"的内部链路（批处理、数据同步），RED 里的 R（Rate）和 E（Errors）意义不大，业务漏斗也拉不出来，这时候 USE 几乎是唯一可靠信号。
- 对"秒级抖动"（< 10s），三套指标的采集粒度（通常 15s~60s）都来不及，只能靠 eBPF / 应用内 trace 补。
- 指标口径对齐的成本被严重低估：同一个"P99"，A 团队按 1min 窗口算、B 团队按 5min 窗口算、C 团队按请求维度算，三个数能差 2 倍。
【想听大家】
- 你们团队有没有一个成文的"排障指标优先级"？还是全靠值班同学的经验？
- 三套指标同时在线时，你们的 dashboard 是怎么组织的——按服务分（每服务一个面板）还是按阶段分（发现 / 定位 / 归因三个 tab）？
- 指标口径对齐这件事，你们是怎么推的？是平台团队统一定义，还是各业务团队自己定、平台只管存储和展示？
- 有没有遇到过"信了 A 套指标修了 A 处，结果 B 套指标还是报警"的情况？怎么处理的？
- 对于非用户可感知的内部链路（ETL、数据同步、定时任务），你们用什么指标体系？
欢迎拍砖，尤其是"我全都不信，我只看 XX"的极端派——我想听你们的理由。