一支折射仪教给我的可观测性教训

七月，我写过一位农夫在黎明时分走在葡萄园里，把一颗葡萄压碎在折射仪的棱镜上，然后把“13.5 Brix”敲进一个聊天窗口。另一端的智能体并不关心这个数字是怎么来的。我写道，对 Digital Scribe 来说，数字就是数字。 在葡萄园里，这个立场站得住脚。新鲜葡萄汁，正是折射仪被造出来要读的东西。 今年秋天，我把同一种仪器对准了正在发酵的果汁。事实证明，那个智能体本该在意。 **三个批次和一块棱镜** 过去几周，我起了三个小批次：一批黑莓酒，现在正在大桶陈酿；一批梨酒，9月24日开始发酵；一批柳兰蜂蜜酒，两天后加了酵母。它们都是一加仑的批次，这对这个故事很重要，因为在这个体量下，每取一次样，都是你喝不到的酒，也是你放进去的氧气。 所以我用折射仪跟踪它们。几滴液体滴在玻璃棱镜上，合上盖，对着光，从刻度上读一个数。这个数是白利度，大致就是溶解糖的百分比。它快、便宜，每次只花几滴。黑莓酒主发酵期间，我一天测两次，每次压帽都测。 而一旦发酵开始，折射仪就是错的。 **仪器并没有撒谎** 折射仪测的是光穿过液体时弯曲了多少。溶解的糖会让光弯曲，所以在新鲜果汁里，弯曲的程度是糖含量的一个好代理指标。仪器上的刻度，就是按这个假设校准的。 发酵打破了这个假设。酵母把糖转化成酒精，而酒精也会让光弯曲。主发酵开始几天后，折射仪报告的是残留糖和已产生酒精的叠加效果，却把这一切都当成糖来呈现。读数会比真实糖含量偏高。如果照单全收，它会告诉你发酵比实际进度落后。 要得到能用的数字，得把每个读数套进一个校正公式。多数家酿葡萄酒的人用的是基于最初为酿酒开发的公式做的计算器，而每一个都需要同一个额外输入：加酵母之前测的那个原始读数。 黑莓酒上就是这么做的： 没有任何东西出故障。仪器做的正是它被造出来要做的事。变的是它所对准的系统，一个在某种状态下可靠的代理数字，到了下一种状态就成了误导。 **两种仪器，都不测糖** 传统替代方案是比重计，一个配重的玻璃浮子。它沉得越深，液体密度越低。糖让液体更稠密，所以比重下降意味着糖在被消耗。 但比重计也不测糖。它测的是密度，而酒精比水密度低，所以随着发酵推进，酒精自己就把读数往下拉。一支发酵完成的干型酒，读数常常低于1.000，比纯水还低——如果比重计真是糖度计，这不可能。 所以折射仪测的是光怎么弯，比重计测的是液体有多重。两者都不测我真正在意的东西：还剩多少糖，酵母还在不在工作，这酒好了没有。这些是我推断出来的。仪器给的是证据。 哪怕读数稳定，也是模糊的。发酵结束的传统标志，是连续几天读数不变。但一个停滞的发酵，同样会连续几天读数不变。蜂蜜酒在这方面臭名昭著：蜂蜜几乎没有天然缓冲能力，发酵推进时pH会往下漂，酵母可能在远未发酵干时就慢下来或停住。一条平线，可能是完成了，也可能是卡住了，仪器分不出来。要靠别的证据区分：这条线是在哪里变平的，pH在怎么走，你原本预期看到什么。 证据和状态之间的这个区别，听起来像抠字眼，直到你发现，在软件里我们一直在犯这个错。 **你的仪表盘有同样的问题** CPU使用率不等于健康。一个服务在15% CPU时可能已经死锁，在90%时可能正干着你想要它干的事。HTTP 200不等于正确，它只说明服务器返回了响应，不说明响应是对的。一个绿色的健康检查，只说明健康检查端点应答了。模型置信度不等于真相，它只是模型对自己输出产生的一个数字。 这些指标，最初都是在特定条件下合理的代理。然后系统变了，新的故障模式出现了，或者有人开始优化这个数字本身，代理就漂离了它本该代表的状态。而仪表盘还在用一模一样的权威感渲染它。 这就是折射仪问题。指标是为系统的某一种状态校准的，现在却在另一种状态下被读取，而显示上没有任何东西告诉你这一点。就像那条平的发酵线，一个稳定的指标可以意味着两种相反的事：一个安静的错误率，可能意味着一个健康的服务，也可能意味着一个一小时前就不再接收流量的服务。 失败不在于收集指标。失败在于把指标当成了状态，而不是把它当成关于状态的证据。 **一个读数需要它的历史** 回到那个校正公式。要解释今天的读数，你需要发酵开始前的那个读数。没有它，当前的数字几乎无法解释。同一个白利度值，可能描述一个刚刚开始的发酵，也可能描述一个接近完成的发酵，完全取决于它从哪里开始。 一个测量的意义，取决于它的来历。 我认为，这正是可观测性实践最常做得不够的地方。我们存下数值和时间戳，就把它叫作一条记录。我们通常会丢掉的，是以后解释它所需的一切：哪个仪器……