LangChain Blog
·
2025年5月1日LangSmith事件
💡
原文英文，约600词，阅读约需2分钟。
📝
内容提要
2025年5月1日，LangSmith API因证书过期导致55%的请求在28分钟内失败。问题源于迁移时遗留的DNS记录，导致证书续订失败。经过手动删除冲突记录并更新证书后，服务恢复。此事件暴露了监控不足的问题，团队已采取措施防止类似事件再次发生。
🎯
关键要点
- 2025年5月1日，LangSmith API因证书过期导致55%的请求在28分钟内失败。
- 问题源于迁移时遗留的DNS记录，导致证书续订失败。
- 证书过期后，LangSmith UI显示“您的连接不安全”，所有新连接尝试失败。
- 事件未通过主动监控发现，而是由内部和外部用户首次报告。
- 事件时间线显示从迁移到证书续订失败的详细过程。
- 解决方案是删除冲突的DNS记录并手动请求证书续订。
- 人类错误包括未删除冲突的Google管理SSL证书和错误假设存在有效的证书过期监控。
- 采取措施防止类似事件再次发生，包括添加证书过期监控和确保Kubernetes系统组件日志的完整性。
- 团队承诺投资于平台的可靠性和事件响应过程的改进。
❓
延伸问答
LangSmith事件的主要原因是什么？
主要原因是迁移时遗留的DNS记录导致证书续订失败。
在LangSmith事件中，API请求失败的比例是多少？
在事件期间，约55%的API请求失败。
LangSmith事件是如何被发现的？
事件最初是由内部和外部用户报告的，而不是通过主动监控发现的。
LangSmith团队采取了哪些措施来防止类似事件再次发生？
团队增加了证书过期监控，并确保Kubernetes系统组件日志的完整性。
事件发生后，LangSmith的服务恢复是如何实现的？
通过删除冲突的DNS记录并手动请求证书续订，服务得以恢复。
LangSmith事件中有哪些人类错误导致了问题？
包括未删除冲突的Google管理SSL证书和错误假设存在有效的证书过期监控。
➡️
