AWS Step Functions：sfn.ListExecutions无法正确显示运行中执行实例

问题场景 #

我用Go代码实现了停止某状态机所有RUNNING执行实例的功能，代码如下：

func stopAllExecutions(sfnSvc *sfn.SFN, stateMachineArn string) error {
    var nextToken *string
    // Since ListExecutionsInput only supports up to 1000 results per query, create loop to delete all executions
    for {
        executionsInput := &sfn.ListExecutionsInput{
            StateMachineArn:    aws.String(stateMachineArn),
            MaxResults:         aws.Int64(1000),
            NextToken:          nextToken,
            StatusFilter:       aws.String("RUNNING"),
        }
        executions, err := sfnSvc.ListExecutions(executionsInput)
        if err != nil {return err}
        for _, execution := range executions.Executions {
            if *execution.Status == "RUNNING" {
                _, err := sfnSvc.StopExecution(&sfn.StopExecutionInput{
                    ExecutionArn: execution.ExecutionArn,
                })
                if err != nil {
                    return err
                }
            }
        }

        // If NextToken is not set, there are no more results to retrieve
        if executions.NextToken == nil {
            break
        }
        nextToken = executions.NextToken
    }
    return nil
}

运行代码后无报错，立即再次执行代码时显示没有RUNNING实例，AWS控制台也看不到相关执行；但执行AWS CLI命令：

aws stepfunctions list-executions --state-machine-arn $STATE_MACHINE_ARN --status-filter RUNNING --output text

仍显示有数千个RUNNING状态的执行实例。

更奇怪的是，等待30分钟以上后，Go代码又能看到这些执行实例并执行停止操作，但CLI依旧显示它们处于RUNNING状态。

原因分析 #

• 最终一致性机制导致状态同步延迟
  AWS Step Functions采用最终一致性架构，调用StopExecution后，控制平面（SDK/控制台）会立即标记状态变更，但数据平面（CLI依赖的底层查询存储）的状态同步存在延迟，尤其是大量执行实例批量操作时，同步周期会被拉长。

• ListExecutions接口的查询差异
  Go SDK和CLI调用的ListExecutions接口虽为同一接口，但可能因请求路由到不同的服务分区，部分分区的状态更新未及时完成。30分钟后分区缓存失效或同步完成，SDK才能再次获取到这些实例；而CLI可能使用了更久的缓存策略，导致状态迟迟未更新。

• StopExecution的异步处理特性
  StopExecution是异步操作，调用成功仅代表请求被接受，实际停止执行的后台处理可能因队列积压延迟完成，部分实例的状态变更未及时写入查询存储，从而出现SDK/控制台与CLI的显示差异。

• 异常状态实例的巡检同步
  部分执行实例可能因网络波动、服务内部错误导致停止操作未完全生效，处于"僵尸"RUNNING状态。30分钟后Step Functions的内部巡检机制检测到这些实例，将状态同步到可查询存储，此时SDK才能再次获取并尝试停止。

解决建议 #

• 批量停止后增加5-10分钟等待时间，再重复执行停止逻辑，确保所有实例被处理。
• 调用StopExecution后，通过DescribeExecution接口单独验证实例状态，避免依赖ListExecutions的结果。
• 在代码中增加日志，记录每个分页处理的执行实例数量，排查是否存在遗漏。
• 若问题持续，提交AWS工单让官方排查后台状态同步异常。

内容的提问来源于stack exchange，提问作者Charmander