先理解业务问题
典型情景：用户偶尔请求失败，服务进程不断重启。这类问题的重点是让系统行为与业务责任一致。故障处置既要恢复访问，也要让业务知道哪些事项仍需补查。先记录现象和影响时间窗，保留必要证据，把临时恢复、数据对账和长期修复分别跟踪，避免页面恢复后遗漏客户业务。
原因与实施细节
优先验证的原因是：内存耗尽、健康检查过严或程序崩溃。不要仅凭现象认定根因，下面的证据应能支持或排除这一判断。重启事件与退出原因关联：内存不足被系统终止、程序异常退出和健康检查不通过，处理方式不同。保留崩溃堆栈或资源曲线，受控复现。修复后进行持续负载观察，不能只看刚重启几分钟正常。
需要准备的排查证据
本题需要准备：退出码、重启时间、内存曲线和健康检查结果。选择一条正常样本和一条异常样本，保留相同业务对象的前后状态、操作时间与环境；内容涉及个人信息或凭据时先做必要脱敏。将“退出码”与最终业务结果关联，检查中间是否缺少记录。若样本无法相互对应，先补足关联信息，不急着修改生产数据；否则容易把两个不同事项当成同一个故障。
按这个顺序处理
建议的处理顺序是：先区分资源与程序问题，保留崩溃信息，修复后观察稳定期。首先完成“先区分资源与程序问题”并记录依据，随后落实其余步骤，最后核对“修复后观察稳定期”的执行结果。每步都记录处理范围，遇到不符合预期的样本暂停扩大范围，先查明差异。
恢复动作明确适用前提、执行人和停止条件。能小范围验证时先验证，再扩大；涉及重试或补跑沿用业务编号，影响数据的操作先保存受控快照并确认可核对范围。
可以直接使用的验收情景
验收围绕“用户偶尔请求失败，服务进程不断重启”设置代表性样本，记录处理前的实际结果，再按相同条件验证处理后的流程。预期结果应写为“连续代表性负载下不反复重启，关键接口成功率正常”，并留下可复查的请求、记录或任务结果，不能只凭现场口头说已经正常。
恢复后从外部入口验证关键业务，继续核对故障时间窗内的未知或重复结果。观察一段代表性负载，确认错误不再出现，并检查备用、告警或任务机制确实按预案运行。
边界、交付与责任
需要说明的边界：无限自动重启可能掩盖问题，不能只把重试间隔调短。交付时列出本次覆盖的系统、身份、数据范围及仍待确认的依赖。企业提供必要的业务口径与授权样本，开发方提交实施说明及验证证据；范围变化时重新确认影响和维护责任。
执行与验收清单
- 记录情景：用户偶尔请求失败，服务进程不断重启
- 核查原因：内存耗尽、健康检查过严或程序崩溃
- 备齐证据：退出码、重启时间、内存曲线和健康检查结果
- 执行处理：先区分资源与程序问题，保留崩溃信息，修复后观察稳定期
- 验收结果：连续代表性负载下不反复重启，关键接口成功率正常