用途：为团队提供端到端事故管理指导，覆盖检测、响应、沟通与学习，强调 SRE 文化、无责复盘与高可靠性运营的结构化流程。
适用场景：建立团队事故响应流程；设计值班轮换与升级策略；为常见故障编写运行手册；开展无责事后复盘；实施内外部事故沟通协议；选择事故管理工具；改进 MTTR 与事故频率指标。
核心原则：尽早且频繁宣布事故，不必等确定；先缓解客户影响，再分析根因；无责文化关注系统而非个人；设事故指挥官（IC）负责协调、不做动手调试；通过专用频道内部协调、状态页对外透明，严重事故每 15-30 分钟更新。
严重级别：SEV0 严重中断（立即 24/7 呼叫、全体参与、通知高管）；SEV1 重大降级（工作时间呼叫、非工作时间升级、指派 IC）；SEV2 轻微问题（邮件/Slack 提醒、次日响应）；SEV3 低影响（工单队列、计划冲刺）。
角色与值班：IC、沟通负责人、领域专家、记录员按级别配置（SEV2/3 单人，SEV1 IC+专家，SEV0 全员）。值班采用主备（主响应，备 5 分钟未确认接手）、轮值一周、交接会 30 分钟；工具可用 PagerDuty、Opsgenie、incident.io。
流程与沟通：检测→分诊→宣布→调查→缓解→解决→监控→关闭→48 小时内复盘。内部建 #incident-YYYY-MM-DD-topic 频道，SEV0 每 15 分钟、SEV1 每 30 分钟更新；对外用状态页（Statuspage.io、Instatus）和客户邮件。
运行手册与复盘：运行手册含触发条件、严重级别、步骤、验证、回滚、负责人、更新时间；每起事故 48 小时内开展无责复盘，走时间线、5 Whys、改进项跟踪。
指标与限制：跟踪 MTTA（SEV1 目标 <5 分钟）、MTTR（<1 小时）、MTBF、事故频率、行动项完成率。避免延迟宣布、跳过复盘、指责文化、忽视行动项、无明确 IC、告警疲劳、IC 亲自动手。资料未提供具体收费与平台支持细节的，以原文列出的价格区间和工具为限，其余暂未提供。