订单履约系统中的分布式事务:为什么我们最终选了 Saga

下单是个典型的长事务:扣库存、锁优惠、创建订单、发起支付,四个服务、五种资源,任何一个环节失败都要保证整体一致。

我们最初用的是 TCC,跑了一年之后问题逐渐暴露,最终迁移到 Saga。这篇文章讲清楚为什么,以及迁移过程中踩的坑。

一、先看不变量

在讨论方案之前,必须先把「什么不能被破坏」写下来。我们的不变量有三条:

  1. 库存不能被超卖,且任何失败路径都必须归还;
  2. 优惠券一旦核销,必须与订单强绑定,不允许出现”券已用、单不在”;
  3. 用户侧看到的订单状态,只能是有限状态机里的合法状态。

注意第一条的措辞是”归还”而不是”不扣”。在长事务里,允许中间态存在是 Saga 的前提——这与 TCC 的思维完全不同。

二、四种方案的真实对比

方案 一致性 隔离性 侵入性 运维复杂度 适用场景
2PC/XA 强 强 低 中 同库多数据源、短事务
TCC 最终 靠业务 高 高 资源预留语义清晰
Saga 最终 无 中 中 长流程、跨服务
本地消息表 最终 无 低 低 单向通知、可重试

TCC 的问题不在理论,在实现:每个参与方都要写 try/confirm/cancel 三个接口,且 cancel 必须幂等、必须处理”try 未成功但 cancel 到达”的情况。我们统计过,四个服务一共实现了 11 组 TCC 接口,其中 6 组在半年内因 cancel 逻辑不严谨出过问题。

更致命的是空回滚与悬挂。举一个真实事故:库存服务的 try 因超时被网关重试两次,第二次 try 覆盖了第一次的预留记录;随后第一次的 cancel 到达,释放了第二次的预留,导致库存虚增 37 件。这类问题在 TCC 里几乎是必然的,只能靠全局事务 ID + 状态位硬扛。

三、Saga 的落地

Saga 把长事务拆成一串本地事务,每个正向操作配一个补偿操作:

创建订单 → 扣减库存 → 核销优惠 → 发起支付
   ↓补偿      ↓补偿       ↓补偿
关闭订单 ← 归还库存 ← 恢复优惠

关键设计点:

1. 状态机显式化

订单状态从 8 个精简到 5 个,且每个状态只能通过定义好的事件迁移:

const transitions = {
  CREATED:   ['RESERVED', 'CANCELLED'],
  RESERVED:  ['PAID', 'CANCELLED'],
  PAID:      ['FULFILLED', 'REFUNDING'],
  CANCELLED: [],
} as const;

function transition(order: Order, next: OrderStatus) {
  if (!transitions[order.status]?.includes(next)) {
    throw new IllegalTransition(order.status, next);
  }
  // 乐观锁:version 不匹配则重试
  return repo.update(order.id, { status: next, version: order.version + 1 });
}

状态机是 Saga 的安全网。只要迁移函数是唯一入口,就不可能出现”已取消的订单又被扣款”。

2. 补偿必须幂等

每个补偿操作带 saga_id 做去重,写入独立的补偿流水表,主键冲突即视为已执行。

3. 补偿失败要有兜底

补偿也会失败。我们的策略是三级:

  • 自动重试 3 次(指数退避,最长 30 分钟);
  • 进入「补偿中」队列,由后台任务持续尝试,超过 2 小时转人工;
  • 每日全量对账,比对订单、库存、优惠三张表的资金与数量平衡。

对账是最后一道防线,也是最有效的一道。上线以来对账共发现 23 笔不一致,其中 19 笔是补偿队列积压,4 笔是并发导致的库存记录漂移。

四、迁移过程

不能一刀切。我们按「读旧写新」过渡了六周:

  1. 新链路写 Saga 状态,同时兼容旧 TCC 表;
  2. 双写期间用影子对账比对两条链路结果;
  3. 差异率连续 7 天低于 0.01% 后切流;
  4. 旧 TCC 接口保留三个月只读。

双写期间发现的最大问题是时间语义不一致:TCC 的 confirm 是同步的,Saga 的补偿是异步的,对账逻辑必须按业务时间而非提交时间对齐。

五、结果

指标 TCC 时期 Saga 时期
下单成功率 98.2% 99.6%
数据不一致(月均) 11 笔 1.8 笔
新增一个参与方的改造量 3 个接口 1 正向 + 1 补偿
长尾延迟 P99 3.4s 1.2s

六、结论

选型没有普适答案,但有几条判断可以复用:

  • 需要资源预留语义(比如库存必须锁定一段时间),TCC 更合适;
  • 流程长、参与方多、允许中间态,Saga 更合适;
  • 单向通知、可接受延迟,本地消息表最省事;
  • 无论选哪种,对账不能省。它不优雅,但它是唯一能兜住所有未知问题的手段。

分布式事务的本质不是让失败不发生,而是让失败可收敛。