混沌演练把主库停了 30 秒，恢复后应用仍然全站 500，连接池里的坏连接没有剔除，重连要等十分钟，用户侧错误率一直不降。
一开始怀疑是「读写没有分离，主库挂了全部接口受影响」，查了一圈，方向不对。
真正麻烦的地方在于，几个原因的现象几乎一样。连接池没有配置失效检测与重连。也可能是故障期间连接被标记为可用但没有校验。
还有一种情况，健康检查只看进程存活，不看数据库连通。
上来先看连接池的校验与重连参数
python -c "print({'test_on_borrow':True,'validation_ms':1000})"接着把健康检查改成实际执行一条查询
python -c "print('healthcheck=SELECT 1')"主库故障时把读请求切到只读副本
python -c "print('read=replica; write=primary')"等前面都确认过，再重跑演练确认恢复时间
python chaos.py --target primary --mode down --s 30 --watch recovery改完先别撤，确认这几项。主库恢复后 8 秒内错误率回到基线，读请求全程可用，健康检查在故障期间正确返回不健康。
连接池不会自己发现坏连接，校验和重连要显式配；健康检查只探进程存活是最常见的假健康，得真正打一条查询。改动前把原配置备份一份，出问题能马上回滚，这比任何技巧都实用。