事情本身不复杂，线索都在日志里。批量生成产品描述时偶发 503，返回体提示 The engine is currently overloaded, please try again later，脚本按固定一秒重试，结果越重试失败越多。
第一反应是「没有设置最大重试次数，任务被无限拖住」，验证下来不成立。
真正麻烦的地方在于，几个原因的现象几乎一样。服务端短时容量不足，属于典型可重试错误。少数情况下是固定间隔重试让所有客户端在同一时刻再次撞上。
少数情况下是失败请求原样重发，长请求又加重了拥塞。
只对 429 与 5xx 做重试，其余直接失败
RETRY_STATUS = {429, 500, 502, 503, 504}然后用指数退避加随机抖动拉开重试时间
delay = min(2 ** attempt, 32) + random.uniform(0, 1)接着重试三次仍失败就落盘到补偿队列
python requeue.py --file failed.jsonl剩下的就是统计重试分布，确认尖峰是否被削平
print({'attempt1': a1, 'attempt2': a2})怎么算真的好了，看的是同一批现象。批处理完成后失败条数为零，日志里 503 的出现次数比之前下降一个量级，整体耗时不增反降。
提醒一点。重试次数不是越多越好，超过三次还失败的请求多半是内容或参数问题，继续重试只会把配额耗光，还会掩盖真正的错误。这类问题最好一次改到位，反复小改反而容易把原因搅混。