先看现象。演练脚本随机 kill 一个 Pod，流量两秒内切走，全站无感，演练报告写着通过，但真实事故是两个可用区同时断开，降级路径从没被验证过。
排查方向其实有限，先把可能性排一排。副本数足够吸收单点故障。也可能是就绪探针太快，摘除几乎无感。
少数情况下是演练范围没有覆盖依赖组件。
不容易想到的是，只验证了可用性，没验证降级逻辑。
第一件事是确认副本数与分布
kubectl get pods -l app=api -o wide --field-selector spec.nodeName接着扩到按可用区同时失效再演练
python chaos.py --select 'zone in (a,b)' --action kill --duration 3m同时断开一个强依赖验证降级
python chaos.py --target redis --action network-delay --latency 500ms末了核对降级开关是否真的生效
curl -s http://api:8080/healthz | jq '.degraded'恢复的判定其实很直接。双区失效时错误率上升但服务仍可用，降级标记为 true，恢复后五分钟内自动回到正常状态。
提醒一点。单 Pod 演练只能证明调度器好用，证明不了系统抗故障，演练设计要按真实故障域来。这类问题最好一次改到位，反复小改反而容易把原因搅混。