测试环境一致性工作流

追踪预发与生产的配置漂移，系统性消除类别差异，用"事故起源"度量一致性。

目标

预发永远追不上生产的规模，也不需要追。它必须追上的是“类别”：同版本、同配置语义、同中间件、同开关默认值。类别差异正是“预发全绿、上线报红”的全部原因。用漂移清单加自动 diff 把类别差异清零，用“事故能否在预发复现”来度量一致性是否真的在涨。

步骤要点

盘点差异：对版本、配置、数据形态、特性开关与规模做预发对生产的 diff，逐条分类为可接受（规模）或不可接受（类别）。
先消灭类别差异：修掉改变行为的差异——版本偏斜、配置分歧、缺失的中间件、不同的开关默认值。
漂移检查自动化：定时跑 diff，新引入差异即告警到引入者，一致性靠维持而非一次性达成。
用生产形态的数据：以匿名化或镜像分布的合成数据替代手工造数，让边界情况在预发存在。
以事故起源度量一致性：给生产事故打“预发可否复现”标签，推动该比率逐季上升。

排错提示

预发全绿上线就红先查版本与配置偏斜，行为类别差异是头号嫌疑；单个超时或连接池参数不同只在负载下暴露，这正是自动漂移 diff 的价值；测试数据干净得不像生产就换掉，基数与空值分布要向生产看齐。

适用边界

完全一致不可企及也不必要，清单要明确接受哪些规模级差异；生产数据脱敏有合规成本，形态镜像的合成数据是折中方案。

代码示例

drift inventory (staging vs prod):
  version skew:  payment-svc 1.8.1 vs 1.8.3   CLASS -> fix
  config:  max_connections 50 vs 400          CLASS
           (behavior differs under load)      -> fix
  middleware: staging lacks the WAF          CLASS -> add
  flags: checkout_v2 default off vs on       CLASS -> align
  data shape: staging 1k orders, prod 4.1M   SCALE (ok)
  nodes: 2 vs 14                             SCALE (ok)

parity metric (incidents reproducible in staging):
  Q2: 44%   Q3: 71%   Q4 target: 85%