三类痛点
- 冷启动尾延迟：首批真实任务才触发解释器与依赖加载，多节点上表现不一，易误判「某机慢」。
- 健康口径分裂：仅打 TCP 端口不知道技能包是否就绪，分散探针让负载均衡与 on-call 难对齐。
- 配置与技能分叉：手改单节点 env 或漏同步模板，和
skills.lock不一致时，排错像猜谜。
决策矩阵（预热 · 探针 · 观测）
生产探针应反映可服务而非仅端口通；预热与 lock 同学发布流水线。基线见多节点部署与配置同步。
| 维度 | 推荐（多节点池） | 谨慎场景 |
|---|---|---|
| 冷启动 | 低峰预热热点 skill + lock 校验 | 全懒加载：首单 SLA 与锁难联动 |
| 健康探针 | 合并：gateway + skills 哈希 + 队列/redis 同一 JSON | 多 URL：LB 与告警膨胀 |
| 观测 | 发布前后 openclaw gateway status 对齐版本与监听 |
只靠日志：难批量 diff |
落地步骤（含 status、模板同步、重试）
- gateway status：各节点跑
openclaw gateway status，对齐监听、版本与配置摘要；偏离即停滚。 - 模板同步：Git/制品渲染到同路径，
config_revision全节点一致后 reload。 - 版本锁：按
skills.lock分发；Worker 前verify-skills，失败拒单告警。 - 预热：改锁或网关后低峰对 TOP skill 做 dry-run/加载，记耗时。
- 合并探针：
/healthz返回存活、skill_bundle_rev、队列探测；LB 只打此端点。 - 失败重试：超时与 5xx 指数退避加抖动；4xx 不重试，带
correlation_id；细则见队列重试。
编排要点：同一变更单驱动 N 机，status、revision、哈希与探针字段全站同名，便于 diff。
可引用阈值
- 合并探针总超时二至五秒；子检查一秒内。
- 首单 P95 超基线两倍：扩容或减 skill 组合。
- 退避基数二秒、上限一百二十秒、抖动约百分之二十。
FAQ：doctor 常见项
问：status 显示未监听或绑定到错误地址？
查 LaunchAgent/plist 与二进制路径；监听 127.0.0.1 或内网 IP 是否符合设计；看防火墙与代理。
问：doctor 报 Python 或依赖版本不一致？
统一 venv/brew 前缀；CI 与运行机同为 arm64；勿各机手装不同 minor。
问：合并探针全绿但任务仍失败？
探针只证连通与哈希；业务错看 Worker 与死信。先 canary 再滚全量。