生产排障

真实事故的完整复盘。

写的时候尽量保留过程：最初的判断、走错的弯路、反馈不符合预期时怎么办。只写「我定位到了 → 我解决了」的复盘没什么价值，因为现实里从来不是那样的。

客户信息全部脱敏，规模数字保留。

文章

126 万 znode 是怎么长出来的从「数字反常」到「源码实锤」，以及清理时差点丢掉 quorum。metadata 明明在本地，为什么 ClickHouse 说 S3 上找不到S3 不可达时的救援，以及一个偏方跨三个大版本的失效史。znode 爆炸与线程池ZK 扩容重启引爆 2700 万 znode，以及我远程给错的那条建议。