线上炸了，值班的人第一反应不是看日志，是翻链路。结果翻了半天，最想看的那个调用没采到。尴尬。不是系统没埋点，是采样率卡了。这个场景太常见，常见到很多人把采样当成一个百分比旋钮，出事了才想起它。麻烦在于，链路追踪数据采样策略从来不是省流量的小技巧，它决定了你事后能看见什么，以及看不见什么。
采样率不是旋钮 是预算线
很多人问，采样率设多少合适。这个问题本身就有坑。1%？10%？全量？没有标准答案。得看你一天多少span，存储多少钱，查询延迟能不能忍，以及故障时你想拿到多细的证据链。说白了，采样率是预算线。预算给少了，平时看不出问题，故障时只能对着缺口猜。预算给多了，数据团队月底看着账单沉默。
我见过一个团队，早期为了省成本，把采样率压得很低。后来一次支付超时，问题卡在某个第三方回调。日志有，指标有，链路偏偏没有。后来靠猜和复现，折腾了大半天。你说他们没监控吗？有。只是监控的粒度没覆盖到那个偶发路径。采样策略的残忍就在这里，它不会在平时提醒你漏了什么，只在最需要的时候给你看空白。
所以别只盯百分比。先问清楚：哪些接口必须全采，哪些可以抽，哪些错误必须留，哪些慢请求必须留。把优先级写进规则，比拍一个全局数字靠谱得多。全局采样省事，但省事往往意味着粗。粗到后来，关键交易和健康检查一个待遇，那就很滑稽。
头部采样省事 代价是可能错过关键现场
头部采样，顾名思义，在请求入口就决定采不采。实现简单，性能开销小，SDK里一个随机数就完事。问题也明显。请求刚进来时，你根本不知道后面会不会报错、会不会变慢、会不会调用某个冷门依赖。随机放行的样本，可能刚好全是正常请求。错误请求全被拒之门外。气不气。
有些团队会说，那我把采样率调高不就行了。行，但成本上去了，而且高采样率也未必能解决长尾问题。比如一个低频接口，一天就几百次调用，错误率万分之一。你采样10%，可能一整个星期都碰不到一次错误样本。这种时候，头部采样就像买彩票。中不中，看运气。
当然，头部采样不是没用。对高流量、错误率相对稳定的服务，它很划算。真正的问题是，别把它当成唯一策略。入口随机只是第一层筛子，后面还得有补救。比如错误强制采、慢请求强制采、特定用户或租户强制采。这些规则听起来琐碎，但它们决定了故障排查时你有没有依据。依据这个词有点干，可现实就是，没规则就没依据。
尾部采样更聪明 但缓冲和决策有成本
尾部采样是另一种思路。先把整条链路的span缓一缓，等请求结束，再根据结果决定留不留。错误了，留；超时了，留；命中特定条件，留。听起来很美。确实也美。它能把最有价值的trace捞出来，而不是撒网碰运气。对故障排查来说，这几乎是刚需。
不过话说回来，尾部采样不是免费的。你得在收集端缓冲数据，得等链路完整，得做决策，还得处理迟到span。缓冲区多大？等多久？超过阈值怎么办？这些都是工程问题。小规模还好，大规模下，内存和网络都是钱。更麻烦的是，分布式系统里span到达顺序乱，链路可能跨很多服务。决策点放哪里，谁来做，做完了怎么通知下游，都得设计。搞不好，尾部采样自己变成新的故障点。
有个取巧做法，先头部采一小部分，再在收集端做尾部补采。这样既能控制入口流量，又能提高错误样本命中。代价是链路可能不完整。补采的span和已丢弃的span对不上，查询时会出现断链。断链能不能接受，取决于你的排障习惯。如果团队习惯看完整调用树，那断链就是灾难。如果只是定位到出错服务再查日志，勉强能用。
自适应采样听着高级 落地时别忽略抖动
自适应采样最近几年被提得很多。按流量、按错误率、按延迟分布动态调整采样率。目标很明确：平时少采，异常多采。理想状态下，既省钱又不丢关键数据。现实里，动态调整会带来抖动。采样率一会儿高一会儿低，统计指标跟着跳，告警阈值也不好设。更糟的是，如果调整逻辑本身依赖监控数据，而监控数据又来自采样结果，那就可能形成反馈回路。越异常越采，越采越贵；或者越平稳越少采，越少采越看不见异常。
这事没那么玄，但也没那么自动。自适应策略需要平滑、需要上限、需要人工兜底。别指望一个算法解决所有问题。很多时候，固定规则加少量动态调整，比全自动更稳。人肉判断不高级，可它便宜、可控、出错也能解释。
策略落地先定不可丢弃清单
如果让我给一个落地顺序，我会先拉一张不可丢弃清单。错误请求、慢请求、核心交易、重点客户、新上线接口，这些先保住。剩下的再谈抽样。采样策略不是一步到位，它更像修剪。先定底线，再调比例。每季度回头看一次，看看哪些规则从来没命中，哪些规则天天命中但没人看。没用的规则就删，别让配置腐烂。
还要注意一点，采样决策要能解释。为什么这条trace被留了，为什么那条被丢了。最好在span上带采样标记和决策原因。不然半年后有人问，这条链路怎么没数据，你只能回答“可能是采样”。这种回答，在故障复盘会上基本等于没说。
另外，别把采样完全交给基础设施团队。业务研发也得参与。因为只有他们知道，哪个接口的失败意味着真金白银，哪个接口的失败只是重试一下。链路追踪数据采样策略做得好不好，不看文档写得多漂亮，看故障那天能不能捞出那条该捞的trace。捞不到，再便宜的存储也是浪费。