分布式系统中「幂等」与「重试」的边界到底在哪？

【背景】

在高并发场景下，「幂等」和「重试」是保障系统健壮性的两个重要机制。但它们的边界经常被模糊处理，导致线上问题频发。

【常见分歧】

• 有人认为「幂等」应该覆盖所有操作，比如支付、订单创建等；
• 也有人主张「重试」才是应对瞬时故障的核心手段，幂等只是兜底。

【我的倾向与理由】

我认为「幂等」是系统设计的基石，但不能无边界地覆盖所有场景。比如，支付操作的幂等性需要与业务逻辑强绑定，而重试则更适合处理网络抖动、服务暂时不可用等瞬时问题。

【想听大家在什么场景下怎么选】

• 你们线上系统中，「幂等」和「重试」的边界是怎么划分的？
• 是否有具体案例能说明为什么在某些场景下选择「幂等」而不是「重试」？
• 是否有踩坑经历，比如「幂等」或「重试」配置不当导致的线上事故？