Executive Summary

该子场景建立宿主→插件调用的可观测与韧性能力：全链路 Trace、指标、重试、熔断、降级与 SRE 告警，确保自动重试成功率 ≥85%、熔断恢复 ≤2 分钟、MTTR <15 分钟。

Scope & Guardrails

• In Scope：Trace/Span、日志、指标、重试策略、熔断、降级（缓存/延迟队列）、告警、Runbook、失败事件上报。
• Out of Scope：调用入口/租户策略/异步队列（其它子场景覆盖）。
• Environment & Flags：PX_HOST_CALL_RESILIENCE, PX_HOST_FAILOVER_QUEUE, PX_HOST_CIRCUIT_BREAKER；依赖 Observability Stack、Alertmanager、Workflow Engine。

End-to-End Flow

1. 调用被 Trace/Logging 注入 Span/Trace ID。
2. 若返回 5xx/超时，按 resilience_policies 重试（退避+最大次数）。
3. 重试失败触发熔断，执行降级（缓存响应、延迟队列、人工任务）。
4. 失败事件写入监控、触发告警；SRE 执行 Runbook 并关闭熔断。

Key Interactions & Contracts

• 配置：resilience_policies.yaml（per capability SLA、重试次数、熔断阈值、降级策略）。
• API：POST /host/plugins/failures, POST /host/plugins/failover, POST /host/plugins/recover.
• 事件：host.plugin.call.retry, host.plugin.circuit.open, host.plugin.degrade.executed.

Usecase Links

• UC-INT-HOST-CALL-RESILIENCE-001.

Acceptance Criteria

1. Trace/指标覆盖 100%，失败可定位到插件实例。
2. 自动重试成功率 ≥85%，熔断恢复时间 ≤2 分钟。
3. 降级/补偿任务记录审计，MTTR <15 分钟。

Telemetry & Ops

• 指标：host.plugin.retry.count, host.plugin.retry.success_rate, host.plugin.circuit.state, host.plugin.degrade.count, host.plugin.mttr.
• 告警：失败率 >5%、熔断持续 >5m、降级任务堆积、审计写入失败。

Open Issues & Follow-ups

风险/事项	影响	负责人	ETA
Failover 队列缺少租户维度	高流量租户影响其他租户	SRE Squad	2025-02-28
Runbook 尚未覆盖 MCP 插件	新协议恢复	Platform Ops Squad	2025-03-03