在軟體開發中，A/B 測試（A/B Testing，一種將用戶隨機分為兩組，分別體驗不同版本以比較成效的實驗方法）在單一小規模產品中並不複雜。但當面對像 Google 這樣擁有全球分佈式架構、數千個互連服務且流量巨大的環境時，簡單的隨機分組就不足以應對。如果每個服務都各自實作分組邏輯，會導致用戶在不同服務間切換時，實驗狀態不一致，進而導致數據污染，讓分析結果失去參考價值。
為了克服這個挑戰，Google 建立了一套協調式的全球服務集群實驗系統。這套系統的核心目的在於將整個數據中心視為一個實驗室，透過標準化的基礎設施，確保在極大規模下依然能獲得具有統計學意義的因果信號。
統一的分組層與決定性分配
在大型分佈式系統中，最困難的是確保用戶在經過多層基礎設施、不同後端系統或不同前端界面時，始終被分配到同一個實驗組。Google 透過建立一個統一的分組層（Unified Assignment Layer）來解決這個問題。
這個分組層不再讓每個產品或服務獨立決定用戶分組，而是使用共享的基礎設施來管理配置與分配邏輯。其關鍵在於決定性（Deterministic）的分配方式，也就是說，對於同一個用戶或會話，系統每次計算出的分組結果必須一致。此外，系統支持層級化分配（Hierarchical Allocation），這允許團隊在不同的技術棧層級運行實驗，同時有效減少多個重疊實驗之間的衝突，避免用戶同時被過多互斥的實驗影響。
從分配到暴露：精準的度量機制
對於工程師來說，必須區分分配（Assignment）與暴露（Exposure）這兩個概念。分配是指系統決定用戶屬於 A 組或 B 組；而暴露是指用戶實際上看到了該實驗功能。
如果僅根據分配數據來分析，會將那些雖然被分到實驗組但從未觸發該功能的用戶也算入分析，這會稀釋實驗效果，導致結果不準確。Google 的系統強調暴露日誌（Exposure Logging）的記錄，精確捕捉用戶何時且如何接觸到實驗處理。透過這種方式，後端分析系統能區分出真正受影響的人群，大幅提升指標的可靠性。
低延遲的配置傳播與安全護欄
在每秒處理數百萬次請求的高吞吐環境中，如果每次判斷用戶分組都要請求中央伺服器，會造成巨大的延遲。因此，Google 採用了配置傳播（Configuration Propagation）機制。實驗定義會預先分發到各個服務節點，讓服務能夠在本地端（Locally）快速評估實驗狀態，消除運行時對中央系統的依賴。
同時，為了防止實驗導致大規模系統崩潰，系統內建了安全護欄（Guardrails）。這些護欄能限制實驗流量的上限，或在觸發安全約束時自動停止實驗，確保在追求數據洞察的同時，不會犧牲系統的穩定性。
端到端的分析視角
這套體系將實驗基礎設施與分析流水線式的分析管道（Analytics Pipelines）緊密結合。這意味著團隊不再只能觀察單一服務的指標（例如：某個 API 的延遲是否降低），而是能觀察整個用戶旅程（End-to-End User Journey）的影響。
透過將實驗原語（Experimentation Primitives，指最基本的分配與度量邏輯）集中化，Google 降低了各產品團隊的維運成本，讓開發者能更快速地迭代，並在做出產品決策時擁有更高的信心。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。