Langfuse ClickHouse CPU 打满事件复盘

日期：2026-09-04 ｜ 机器：81.71.xx.xx（4C4G，Langfuse 专用机） 栈：Langfuse v4（web + worker 分离）+ ClickHouse 25.12 + Postgres/Redis/MinIO 本地配置源：F:\<user>\ai-daily\lighthouse\langfuse\ 关联文档：readme.md（🔧 ClickHouse CPU 打满一节）、技能 lighthouse-docker-ops T26/T27

摘要

2026-09-04，81.71.xx.xx 上的 Langfuse 栈 ClickHouse CPU 长期打满（实测 350%）。排查发现活跃 merge 全落在系统日志表而非业务表，err.log 记录 57,937 次 merge 失败。根因是 max_server_memory_usage 只给 700MB、低于真实工作集 1GB+，导致每次合并因内存不足失败并无限重试，失败又写 part_log 生成新 part，形成正反馈死循环。解法：内存上调至 1000MB、后台池 32→8、缓存收敛、关闭 5 张自监控日志表并清理历史垃圾 5.35GB。修复后 CPU 稳定 2~3%，磁盘回收至 81MB。核心教训：内存上限不可拍脑袋压低，ClickHouse 异常先看挂载出来的 err.log，docker logs 不全。

一、现象

用户报告两个问题：

1. langfuse-web 容器持续显示 unhealthy，但页面实际能正常打开
2. ClickHouse CPU 占满（用户侧观测约 99%）

重启栈之后实测，比报告的更严重：

docker stats（修复前）
langfuse-v2-clickhouse-1   CPU 350.28%   MEM 830MB / 1.75G
主机 load average: 7.40          ← 4 核机器，load 7.4 已严重过载
clickhouse 累计 CPU 时间 103 分钟（启动后不久）

注：用户看到的"99%“与实测 350% 不矛盾——前者多半是单核口径（htop 单核 100%）， 后者是容器占满 3.5 个核。两者指向同一个事实：CPU 被吃满了。

同时 web 的 unhealthy 与 ClickHouse 问题相互独立（见第六节），本文主线是 CPU。

二、排查过程（按实际顺序）

第 1 步：活跃 merge 在忙什么

SELECT database, table, num_parts, progress, elapsed FROM system.merges;

结果出人意料：活跃 merge 全部落在 system.metric_log / system.part_log， Langfuse 业务表（langfuse.events_core / events_full）反而没有活跃 merge。 → 问题不是"业务数据量大”，方向转向系统自身。

第 2 步：内存水位对不上

• 查询 system.parts（纯元数据表）直接报 MEMORY_LIMIT_EXCEEDED
• 实测 RSS 在 820MB ~ 1.04GB 之间震荡，而硬上限 max_server_memory_usage 只有 700MB
• 连元数据查询都被 OvercommitTracker 杀掉 → 服务端处于持续内存超限抖动状态

第 3 步：err.log 给出决定性证据

⚠️ 排查弯路：docker compose logs 里看不到这些错误。 全量错误在挂载出来的 clickhouse-server.err.log（volume langfuse-v2_clickhouse_logs）里。

Code: 241 (MEMORY_LIMIT_EXCEEDED) 累计 10 万+ 条
其中 merge 失败 57,937 次，堆栈全部指向 MergeTask → 内存分配失败

第 4 步：默认配置三宗罪

读容器内 /etc/clickhouse-server/config.xml：

第 5 步：磁盘佐证

langfuse-v2_clickhouse_data 卷占 5.35GB——绝大部分是系统日志表 churn 出来的垃圾。

三、根因：一条"合并失败 → 重试"的正反馈死循环

max_server_memory_usage = 700MB（太小）
        ↓
每次后台 merge 在内存分配阶段失败（Code 241）
        ↓
失败自动重试，48 个线程全部空转 → CPU 350%
        ↓
每次失败还往 system.part_log 写一条事件、产生新 part
        ↓
新 part 触发新的 merge 需求 → 更多失败 → 更多日志 → 循环放大

三个关键认知：

1. CPU 打满 ≠ 数据量大。业务表只有个位数 part，烧 CPU 的是系统日志表的死循环。
2. 内存上限不是越保守越安全。给 ClickHouse 的内存低于其真实工作集，merge 永远做不完， 结果比内存紧张本身更糟——空转烧 CPU。
3. 700MB 这个值是 09-03 OOM 事故的遗留（当时为防 OOM kill 压到 700MB）。 防住了 OOM，防不住"慢性自杀"。

四、解决办法

4.1 配置修正（clickhouse-config/memory.xml + compose）

ClickHouse 参数只能走 clickhouse-config/memory.xml（挂载到 config.d），不能用 command: 传。 config.d 的额外好处：配错了启动时报错，而不是静默不生效。

4.2 清理历史垃圾

关闭日志表配置后，把已禁用的旧系统日志表清掉：

磁盘：clickhouse_data 5.35GB → 81MB（根分区空闲 8.9G → 14G）
清理后业务表各只剩 1 个活跃 part，无排队 merge

4.3 过程中踩到的两个参数联动坑（差点以为改坏了）

4.4 验证不止于健康端点

• OTLP 端点 /api/public/otel/v1/traces：无凭据返回 401、假 key 也返回 401 → 写入链路与鉴权均通
• system.metrics 确认新内存上限生效
• 连续观察：35 分钟零新增 Error（期间仅有的 26 条是我自己的诊断脚本没带凭据造成的认证失败，非服务问题）

五、效果

worker 偶现 ~75% CPU 是每分钟一次的定时作业瞬时峰值（Event Propagation / Backfill），非持续占用，不用管。

六、同场加映：web unhealthy 的真相（另一条独立线）

用户原判断是"健康检查命令不合适"——对了一半：服务确实好，但换命令治不好。

证据链：

netstat：Next.js 只监听 172.18.xx.xx:3000（容器自身 IP），没监听 127.0.0.1
printenv HOSTNAME = de25e9ef3e1a（Docker 注入的容器 ID）

Next.js standalone 启动时直接把 HOSTNAME 当绑定地址，而 Docker 把 HOSTNAME 设成了容器 ID。 于是：端口映射走 docker-proxy 转发到容器 IP，对外完全正常；容器内访问 127.0.0.1 必然 Connection refused → 健康检查恒失败。

修复（两处缺一不可）：

1. web 环境变量显式设 HOSTNAME: "0.0.0.0"
2. 健康检查用 127.0.0.1 而非 localhost——镜像内 Node 24 对 localhost 会先试 ::1（IPv6），服务只听 IPv4，照样失败

七、经验与防再发清单

根因层

• 给 ClickHouse 定内存上限前，先看真实工作集（RSS），上限 ≥ 工作集 + 余量；宁可给够，不可拍脑袋压低
• 小内存机器（≤4G）部署 ClickHouse：主动关闭自监控日志表（part_log/metric_log/trace_log/text_log/async_metric_log），默认配置是给大机器写的
• 缓存类参数（*_cache_size）按机器内存比例设，默认值多为大机器口径（uncompressed_cache 默认 8G）
• 调 background_pool_size 必查 number_of_free_entries_in_pool_to_* 一族联动，且确认所用版本的参数仍存在（25.12 已移除 concurrency_ratio）

排查层

• ClickHouse 异常先看挂载出来的 err.log，docker logs 只有 stdout，不全
• CPU 打满先查 system.merges + system.processes，分清"业务负载"还是"系统内耗"
• 出现大量 Code 241 + merge 失败 → 直接怀疑内存上限过低，不是数据问题
• 健康端点绿 ≠ 可用：验收必须做端到端探针（本例 OTLP 401 即链路通）

监控层

• 部署后必查 dmesg（OOM kill 是静默的）；本例无 OOM，是"慢性病"而非"猝死"，更依赖错误日志巡检

附：本次产物与备份