尾部采样决策

功能说明

该示例实现尾部采样决策：与头部采样在结果未知时下注不同，它看到整条链路的全部 span 后再判断。策略优先保留含错误的链路，其次保留耗时超过阈值的慢链路，最后对普通链路按兜底比例随机保留。返回带有决策原因，便于统计各类别的保留比例。

关键代码

Span 记录名称、时长与错误标志；Policy 集中可调阈值与开关。决策按优先级短路：空链路直接丢弃；开启错误保留且有任一 span 出错即保留；取全链路最大耗时与慢阈值比较；否则按兜底比例抽样。随机源可注入，测试时传入固定种子的 Random 即可得到可复现的决策，避免断言依赖真实随机。

使用注意

该函数假定调用方已经收齐同一链路的全部 span；若 span 分散在不同节点，必须先按 trace id 路由到同一决策点，否则决策基于不完整信息。真实实现还需环形缓冲与超时：等待窗口过短会漏掉慢链路，过长会占用大量内存。被保留或被丢弃都应计入采样率，使下游能正确加权统计，否则保留偏差会扭曲聚合指标。

代码示例

from dataclasses import dataclass, field
import random

@dataclass
class Span:
    name: str
    duration_ms: float
    error: bool = False

@dataclass
class Policy:
    slow_ms: float = 500.0
    keep_errors: bool = True,
    fallback_rate: float = 0.01

def decide(spans: list['Span'], policy: Policy, rng: random.Random | None = None) -> tuple[bool, str]:
    rng = rng or random.Random()
    if not spans:
        return False, 'empty'
    if policy.keep_errors and any(s.error for s in spans):
        return True, 'error'
    slowest = max(s.duration_ms for s in spans)
    if slowest >= policy.slow_ms:
        return True, 'slow'
    if rng.random() < policy.fallback_rate:
        return True, 'sampled'
    return False, 'dropped'