有一次订单查询接口 p99 从 180ms 飙到 1.8s，团队第一反应是“数据库慢了，要不要加缓存”。我没急着改代码，而是在出问题的实例上抓了一段 120 秒的 JDK Flight Recorder。结果很快就变清楚：不是 SQL 本身慢，而是连接池等待叠加一次对象分配暴涨，把接口拖成了长尾。
JFR 的价值不是图好看，而是它能把 CPU、锁等待、GC、分配、线程阻塞放在同一个时间轴里。Oracle/OpenJDK 文档和 JDK Mission Control 说明可以帮我们核对事件含义，但真正写生产教程时，重点应该是怎么抓、怎么看、怎么避免误判。
什么时候我会抓 JFR
如果只是某个下游偶发 500，我会先看日志和链路追踪；但如果 p95/p99 抬升、CPU 和 GC 又说不清楚，JFR 就很适合。它比普通线程 dump 多了时间维度，也比单纯火焰图更容易看到锁、分配和 I/O 等待。
我的习惯是先缩小窗口：哪台实例、哪一分钟、哪个接口、有没有刚发布的版本。窗口越小，JFR 越好读。千万别一上来全站长时间录制，排障工具也要讲边界。
生产上怎么安全录制
常用方式是 jcmd，对已经运行的 JVM 启动一段短录制：
jcmd $PID JFR.start name=slow-api settings=profile duration=120s filename=/tmp/slow-api.jfr
如果是容器环境，先确认容器里能拿到目标 JVM 的 PID，文件路径也要能导出。录制时间我一般控制在 60 到 180 秒，足够覆盖慢接口，又不会让文件大到难分析。
看 JFR 时我先看这四类事件
第一是 Execution Sample，看 CPU 时间花在哪里。注意火焰图最宽的方法不一定是罪魁祸首，它可能只是正常业务热点，要结合最近变更和接口路径。
第二是 Java Monitor Blocked、Thread Park、Socket Read 这类等待事件。很多慢接口不是“跑得慢”，而是在等锁、等连接、等下游。第三是 GC Pause 和 Allocation，看是不是分配暴涨把 GC 推高。第四是异常和日志事件，它们能帮你把慢的时间点对齐到业务行为。
一个典型误判：以为数据库慢，其实是连接池排队
我们那次事故里，SQL 执行本身不慢，但连接池等待时间在高峰抬起来。JFR 里能看到大量线程停在获取连接的路径上，同时分配事件显示某个 DTO 转换在高峰制造了很多临时对象。最后修复不是盲目加缓存，而是拆掉一次无意义的全量映射，并把连接池等待指标接入告警。
上线检查清单
- 录制窗口是否覆盖真实慢请求，而不是低峰随手抓一段？
- 是否同时看了 CPU、锁等待、I/O 等待、GC 和分配事件？
- 结论是否能和链路追踪、连接池指标、GC 日志相互印证？
- 修复后是否对比了同流量下的 p95/p99 和错误率？
- JFR 文件是否包含敏感业务数据，是否按团队规范保存和清理？
最后聊两句
JFR 最适合解决“大家都觉得可能是某个问题，但没人拿得出证据”的场景。它不会替你做判断，却能把判断需要的证据摆出来。
我的建议是把 JFR 当成 Java 后端的生产基本功：平时就练会短窗口录制、事件解读和版本对比。真到 p99 爆掉那天，你会少很多拍脑袋，多一条清晰的排障路线。
