系统化调试

把“碰运气”改成“按证据缩小范围”。核心：复现 → 二分定位 → 提出假设 → 验证假设 → 修复 → 回归。

使用步骤

1. 复现（Reproduce）

无法复现就无法定位。尽量：

• 拿到可复现的最小输入 / 操作序列。
• 记下环境：版本、配置、操作系统/平台、负载。
• 如果只在特定数据/时序下出现，保留现场（日志、dump、输入样本）。
• 构造最小复现用例，去掉无关因素。

2. 收集证据（Observe）

不要靠猜，先取证：

• 完整错误信息与堆栈：它指向哪个文件哪一行。
• 相关日志（前后文，不只是出错那一行）。
• 关键变量在实际运行时的值（打印/断点/日志）。
• 输入输出是否符合预期，哪里开始偏离。

3. 缩小范围（二分）

用“是/否”二分切割问题空间，锁定第一个可疑边界：

• 是数据问题还是逻辑问题？（换输入/固定输入测试）
• 是新增改动引入还是历史一直存在？（git bisect 定位引入提交）
• 是单机问题还是环境问题？（换环境/新副本复现）
• 注释掉/短路掉一半代码看问题是否消失，反复二分。

4. 形成假设并验证（Hypothesize & Verify）

• 每个假设写成可证伪：“如果 X 是根因，那么做 Y 应当出现/消失现象 Z”。
• 一次只改一个变量，改完立刻验证。
• 通过“最小改动”验证假设，而不是顺手改一堆。

5. 修复与回归（Fix & Regress）

• 修复根因，而非掩盖症状。
• 为根因写回归测试，防止复发。
• 全量跑一遍相关测试/构建，确认无副作用。

常用技巧

• git bisect：自动二分查找引入 bug 的提交。
• 记录每次猜测与结果，避免重复走弯路。
• 怀疑“更新后才是这样”优先查最近改动 + git diff。
• 数据类问题：对比“好数据的特征”与“坏数据的特征”。
• 间歇性问题：加日志 + 自动化重试捕获，而不是一次观察。

输出/复盘模板

现象（Phenomenon）：...
复现步骤：...
证据（日志/堆栈/变量值）：...
根因（Root cause）：...
修复（Fix）：...
回归测试（Regression test）：...
防止复发的长期手段：...