GitHub 一个月内两次翻车

8 月 17 号，GitHub 挂了 7 小时 47 分钟。github.com、认证、Actions、API、PR、Issue、Copilot 全线瘫痪。上一次是 8 月 6 号 Actions 挂了，两次事故核心原因一模一样：容量规划没跟上流量增长。

官方事后复盘里有个数字扎心：4 月以来月提交量从 14 亿涨到 29 亿，翻了一倍多。可关键组件在 Central US 数据中心根本没扩容，流量峰值一到直接压垮认证链路，连锁反应把半个平台拖崩。更搞笑的是恢复阶段，Copilot 客户端疯狂重试反而把恢复中的流量再顶回去，不得不先限流再放行。

他们在往 Azure 迁移，现在平台负载 58% 跑在 Azure 上，Git 操作一半在 Azure。硬件也上了：300 万 CPU 核心、120 PB 高速存储、网络带宽全加满了。但架构层面的共享依赖还没拆干净，单点一炸全家遭殃。

两个直接改动值得记下来：

• 服务间调用统一加重试预算、变超时、限重试次数，防雪崩
• 重新审视低优先级 CPU/内存告警，找出突发流量下会先死的组件

说白了，规模增长是借口，不是理由。开发者不关心你后台多难，只关心能不能 push 代码、跑 Action、用 Copilot。一个月两次核心服务不可用，信任分扣光了。