#系统可靠性

共 4 篇相关文章

回顾1991年曼哈顿一间电源室故障导致FAA空中交通管制系统瘫痪的事件，分析单点故障如何击穿关键基础设施，以及对现代数据中心和空管系统冗余设计的启示。

一位Reddit开发者提出面向AI智能体的故障恢复测试清单，聚焦写入超时、僵尸进程回归、授权过期三类典型场景，探讨智能体如何区分已确认结果、未解决结果与安全动作，为生产级Agent工作流提供可靠性设计思路。

Azure CTO深度解读云端弹性：复盘2014年拖垮全球Azure的存储宕机事故，揭秘安全部署策略、混沌工程、SLI与Brain AI健康监测系统，以及AI非确定性给可靠性带来的全新挑战与确定性护栏应对之道。

随着系统复杂度提升和AI黑盒普及，"莫名其妙的失败"正被工程界默默接受为常态。本文剖析失败常态化的成因、代价，以及工程师重建系统可解释性与信任的应对之道。