下游 5xx 就重试？聊聊 SRE 最容易想当然的「默认重试」假设与幂等边界

【背景】 在高并发场景下，很多 SRE 会默认对下游 5xx 错误进行重试，认为这是提升系统鲁棒性的必要手段。然而，这种做法往往伴随着一系列潜在风险和复杂问题。

【常见分歧】

• 重试是否能有效提升服务可用性？
• 重试是否会导致请求堆积、资源争抢、甚至系统崩溃？
• 如何设计幂等机制以避免重复操作？
• 在什么场景下重试是合理的选择？

【我的倾向与理由】 我认为重试并非万能，而是一种需要谨慎设计和边界控制的策略。重试虽然可以在一定程度上缓解服务不稳定的问题，但如果没有良好的幂等机制和重试策略，可能会导致系统进一步恶化。重试应该基于以下原则：

• 明确重试条件（如网络错误、临时性错误等）
• 设置重试次数和间隔（避免无限重试）
• 设计幂等操作（确保重复请求不会导致状态不一致）
• 评估重试对系统资源和性能的影响

【想听大家在什么场景下怎么选】 在实际工作中，你们是如何判断是否需要对下游 5xx 错误进行重试？在哪些场景下重试是合理的？又在哪些场景下应该避免重试？你们是如何设计幂等机制的？欢迎分享你的经验和观点。