headless Chrome 退不出去:GPU 子进程失控的排查与收尾
一个 agent 用的 headless Chrome 出现怪现象:找不到窗口、关掉上层应用也没用、CPU 持续被吃。任务管理器里它的主进程才 0.1%——看起来一切正常,机器却越来越卡。
这篇记一遍完整排查:真凶藏在进程树的第二层,而且「关闭」这个动作本身也是坏的。
一、症状与第一层误判
用户侧的观察是「agent-browser 退不出去且持续消耗 CPU」。直接看主进程:PID 95820 只有 0.1%,Chrome 主进程 95840 也才 0.4%——顶层进程的 CPU 数字会骗人。
按进程树往下翻一层才看到真凶:Chrome 的 GPU 子进程(--type=gpu-process,PID 104231)占用 508% CPU、21 个线程。
一个量化证据让它无可辩驳:该进程实际存活 2 分 05 秒,却消耗了 680 秒 CPU(用户态 626.9s + 内核态 53.2s)——5.4 倍于真实时长,这是死循环的特征,不是「正常的忙」。
方法本身值得记:ps 看百分比不够,要读 /proc/<pid>/stat 里的累计 CPU 时间,和进程实际存活时间对比。比值远大于 1(且持续增长)就是失控。
二、为什么 GPU 进程会死循环
这台机器没有独显直通,Chrome 用 SwiftShader 做软件渲染(--use-angle=swiftshader-webgl --enable-unsafe-swiftshader)。打开重动画页面时:
- GPU 进程被软件 WebGL 压满;
- Chrome 的健康检查判定 GPU 进程崩溃,杀掉并重启;
- 新进程又初始化 SwiftShader,回到第 1 步——崩溃-重启循环。
每一轮都烧一遍满载 CPU,所以累计 CPU 时间远超存活时间。
三、为什么「关闭」也关不掉
三个因素叠在一起:
--headless=new --ozone-platform=headless从头到尾没有窗口——用户想「关窗口」根本没有可关的东西;- daemon 的原生父进程退出后,被 reparent 到
systemd --user(PID 1374),不是任何上层应用——关掉上层应用不会回收它; - Chrome 的优雅关闭要等 GPU 进程确认退出,而 GPU 进程正满载死循环、不响应关闭消息;
close命令又只有--all/--session,没有--force/--timeout——只能干等。
四、处置与预防
正常路径:显式执行 agent-browser close --all,会话关闭、端口释放、/tmp/agent-browser-chrome-* 自动清理。
卡死时的强杀顺序(顺序很重要):
1 | pkill -f "agent-browser-chrome" # 先杀 chrome 子进程 |
顺序反了会留下孤儿 GPU 进程继续烧 CPU——主进程死了,GPU 进程不会跟着退。
两个不要误杀的细节:关闭后残留的 chrome_crashpad_handler 要先查 PPID 与 cmdline 归属(可能属于 QQ 或别的应用),不要盲目 kill;重渲染页面从源头加 --disable-gpu,避免软件 WebGL 压满 CPU。
五、把结论固化下来
这类「环境特定」的故障,修完就忘是常态。值得把排查过程写进工具自己的文档:
- 详细内容放独立的
LOCAL-TROUBLESHOOTING.md(症状、三层根因、排查命令、处置与预防),主SKILL.md只加几行指引——不要把长文塞进 discovery stub; - 注意:改技能目录里的文件会让
.skill-lock.json的skillFolderHash与内容不一致,下次技能 CLI 更新可能提示本地修改或直接覆盖——独立文档要在更新后补回; - 顺手修正记忆里的误判(比如「父进程是某上层应用」),否则下次排查会从错误的父节点开始。
总结
headless Chrome「退不出去」的排查,三层各有一条教训:
- 定位:顶层进程 CPU 低不代表正常,真凶在进程树第二层;用
/proc/<pid>/stat的累计 CPU 时间对比存活时间,比值失控就是死循环; - 根因:无 GPU 环境下软件渲染重动画页面,会触发 GPU 进程崩溃-重启循环;
- 收尾:headless daemon 被 systemd 收养、close 无 force 语义时,强杀要按「子进程 → 主进程」的顺序,并确认没有孤儿。
最后一句:「关不掉」本身就是一个 bug 报告——如果一个工具没有提供强制退出的路径,排障文档里就要写清楚手动收尾的命令,否则每个用户都要重新踩一遍。