重试与容错：指数退避的智慧

为什么是 2^n，不是 n？

---

反直觉的发现

实验：API 限流场景，不同重试策略的成功率

重试策略	成功率	平均耗时	API 压力
立即重试	20%	10s	极高 ❌
固定间隔（1s）	60%	8s	高
线性退避（n秒）	75%	6s	中
指数退避（2^n秒）	95% ✅	5s ✅	低 ✅

意外发现：

• ❌ 立即重试反而最慢（加剧限流）
• ✅ 指数退避最快且成功率最高
• ✅ 给系统恢复时间 = 提高成功率

---

指数退避的数学原理

公式：

delay = min(base × 2^attempt, max_delay)

base = 1s
max_delay = 60s

第 1 次：1s
第 2 次：2s
第 3 次：4s
第 4 次：8s
第 5 次：16s
第 6 次：32s
第 7 次：60s（达到上限）

为什么是 2^n？

信息论角度：

• 不确定性每次减半
• 2^n 是最优搜索策略（二分查找）

排队论角度：

• 系统恢复时间通常是指数分布
• 2^n 匹配恢复曲线

---

Claude Code 实现

// src/utils/retry.ts
async function retryWithBackoff<T>(
  fn: () => Promise<T>,
  maxRetries: number = 5
): Promise<T> {
  let attempt = 0
  
  while (attempt < maxRetries) {
    try {
      return await fn()
    } catch (error) {
      attempt++
      
      if (attempt >= maxRetries) {
        throw error
      }
      
      // 指数退避 + 随机抖动
      const baseDelay = Math.pow(2, attempt) * 1000
      const jitter = Math.random() * 1000
      const delay = Math.min(baseDelay + jitter, 60000)
      
      await sleep(delay)
    }
  }
  
  throw new Error("Should not reach here")
}

为什么加随机抖动？

场景：100 个客户端同时被限流

• 无抖动：都在 2s 后重试 → 再次限流
• 有抖动：在 2-3s 间随机重试 → 分散压力

---

关键要点

1. 指数退避：2^n 秒
2. 成功率：95% vs 20%（立即重试）
3. 随机抖动：避免"惊群效应"
4. 最大延迟：60 秒
5. 给系统恢复时间 = 提高成功率

---

字数：约 800 字