什么是指数退避？
想象一下，你给朋友打电话，对方一直忙线。如果你连续不停地拨号，朋友可能会觉得你在骚扰他。但如果你第一次打不通等1分钟再打，第二次等2分钟，第三次等4分钟……这就叫指数退避。
指数退避（Exponential Backoff）是一种重试策略：当一次操作失败时，不立即重试，而是等待一段时间后再试；每次失败后，等待的时间按指数级增长（通常是翻倍）。
它的核心公式很简单：
等待时间 = 基础延迟 × 2^重试次数
比如基础延迟设为1秒：
- 第1次失败：等1秒后重试
- 第2次失败：等2秒后重试
- 第3次失败：等4秒后重试
- 第4次失败：等8秒后重试
- 以此类推
为什么需要指数退避？
防止"重试风暴"
没有退避的重试就像发疯了一样不断请求服务器。如果服务本身出了问题，成千上万个客户端同时疯狂重试，会让情况更糟——这就是雪崩效应。
指数退避让每个客户端的重试节奏分散开，给服务器喘息恢复的时间。
提高成功率
很多失败是暂时的：网络抖动、服务器短暂过载、数据库锁等待。等待几秒后再试，很可能就成功了。但立即重试往往还是失败，纯属浪费资源。
实际应用场景
- API调用：调用第三方API遇到429（速率限制）或5xx错误时
- 网络请求：HTTP请求超时或连接失败时
- 微服务通信：服务间调用遇到临时不可用时
- 消息队列：消费消息失败时的重试机制
- 云原生环境：Kubernetes中的Pod重启和重试
怎么实现指数退避？
Python示例
import time
import random
def call_api_with_backoff(url, max_retries=5):
for attempt in range(max_retries):
try:
response = requests.get(url)
if response.status_code == 200:
return response
except Exception:
pass
# 指数退避 + 随机抖动
wait_time = (2 ** attempt) + random.uniform(0, 1)
print(f"第{attempt+1}次失败，等待{wait_time:.1f}秒后重试...")
time.sleep(wait_time)
raise Exception("达到最大重试次数")
这里加了一个**随机抖动（Jitter）**的概念——在等待时间上加一点随机数。目的是避免大量客户端在同一时刻精确地同时重试，造成新的拥堵。
常见库支持
大多数现代编程语言和框架都内置了指数退避：
- Python：
tenacity、requests-retry库 - JavaScript：
axios-retry、node-retry包 - Go：
golang.org/x/time/rate配合手动逻辑 - Java：Spring Retry、Resilience4j
- AWS SDK：默认自带指数退避重试策略
关键参数怎么调？
指数退避有三个可调参数：
| 参数 | 说明 | 典型值 |
|---|---|---|
| 基础延迟 | 首次重试前的等待时间 | 0.5~2秒 |
| 最大延迟 | 单次最长等待时间上限 | 30~60秒 |
| 最大重试次数 | 总共允许重试几次 | 3~10次 |
调参原则：
- 基础延迟太小：重试太频繁，可能加重服务器负担
- 基础延迟太大：用户体验变差，等待太久
- 重试次数太少：偶尔的网络抖动就直接失败
- 重试次数太多：用户可能等半天最后还是失败
总结
指数退避是一个简单却强大的概念。它用"慢下来"的思路解决"快不起来"的问题——不是拼命重试，而是学会等待。
下次你的程序调用API遇到错误时，试试加上指数退避策略。你会发现，有时候耐心等待比盲目冲刺更有效。