自动化流水线的四种失败方式

很多团队都有这样的习惯：流水线失败先点重跑，第二次过了就当无事发生。短期看效率没有受影响，长期看却让不稳定的根因一直留着。重跑掩盖的问题大体分四类，按类排查比逐个处理更快。

第一类是配置漂移。流水线依赖的环境标识、凭据与镜像标签如果没有精确锁定，每次执行条件就不完全一样。表现为随机失败，且很难在本地复现。解决办法是把所有外部条件写入版本化配置，让每次运行可以说明自己用了什么。

第二类是执行隔离不足。多个任务共享工作目录或端口时，先后顺序会影响结果。单跑正常，并行就挂。这类问题的特征是失败步骤每次不同。解决方式很直接：每个任务独立目录、独立端口范围，并显式声明依赖关系，不允许靠历史执行顺序获得正确性。

第三类是缓存复用出错。缓存能显著缩短时间，但判断错误的复用会让结果与源码不一致，最坏情况是编译通过却带了旧代码。稳妥做法是把缓存键的输入定义清楚，保留一键绕过缓存的通道，并且在发布前跑一次完全干净的构建做验证。

第四类是超时与资源限制。任务接近时间或内存上限时，会随机出现中断，越是并发高的时候越频繁。这类问题的定位方法很简单：观察失败是否集中在同一阶段、同一规格的执行环境。如果集中，就该调整任务粒度或提高限制值，而不是给它增加重试次数——重试只会把问题往后推。