system-reliability

本文讨论了在AI系统中，特别是使用大语言模型和智能体时，重试如何可能在根本问题未解决时加剧故障，导致重复错误并增加成本和延迟。

这篇博客文章分析了一次由错误配置的自动扩展策略引起的 GitHub 宕机事件，讨论了云基础设施中自动扩展的挑战，并引用组件替代谬误以强调系统性问题。

讨论了级联恢复和反馈循环如何在分布式系统中导致亚稳态故障，阻止正常恢复。

解释了为什么无界队列是软件系统中的一个bug，利用利特尔法则和浴缸类比说明队列只能吸收波动，而非持续负载。讨论了延迟死亡螺旋，并主张改用背压机制。

文章讨论了智能体 AI 系统中的常见失败模式，特别是“弱智 AI 循环”，并引用了在 Claude Code 部署中观察到的状态污染和数据泄露等问题。