用途
事故管理是检测、响应、解决生产故障并从中学习的结构化实践,覆盖事故全生命周期:从告警触发,经战情室协调、通过状态页进行客户沟通,到阻止问题复发的复盘。该技能为各阶段提供可执行框架,面向希望从混乱救火转向可重复、冷静响应的工程团队。
何时使用
触发场景包括:设计或改进值班轮换与升级策略;为告警或服务编写、评审、模板化 Runbook;主持或撰写复盘(post-mortem);搭建或改进状态页与客户沟通策略;为进行中的事故组织战情室;定义严重级别或事故分类标准;编写事故指挥官手册与角色定义;构建事故响应工具或自动化。
不适用场景:脱离事故背景定义 SLO、SLI 或错误预算(应使用 site-reliability 技能);基础设施供给或部署流水线设计(应使用 CI/CD 或云相关技能)。
核心原则
- 事故是系统失败,不是人的失败:每个事故都反映系统缺口(缺少自动化、监控不足、Runbook 不清、架构脆弱)。围绕暴露系统性问题来设计流程。
- 准备胜于反应:响应质量在事故发生前就已决定。良好的 Runbook、演练过的战情室协议、预写的状态页模板和清晰角色,比事故中的英雄式调试更能降低平均解决时间。
- 沟通是一等公民:客户、利益相关方和其他工程团队需要及时、诚实的更新。重大事故中应指定专门沟通角色。
- 每个事故都必须产生学习:没有复盘的事故是浪费的失败。行动项必须有负责人和截止日期,否则只是愿望。
- 值班必须可持续:不可持续的值班会带来倦怠、人员流失和响应质量下降。应跟踪值班负载指标、强制休息,并把过度告警当作可靠性问题修复。
主要能力
- 事故生命周期:检测 → 分诊 → 响应 → 解决 → 复盘 → 预防,每阶段有明确负责人、产出物和交接。
- 事故角色:事故指挥官(IC)、沟通负责人、技术负责人、记录员;SEV1 需 15 分钟内配齐四个角色,SEV2 中 IC 与技术负责人为必需,SEV3 及以上由值班工程师兼任。
- 严重级别分类(SEV1–SEV4):按客户影响、响应时间、是否需战情室和状态页划分,并给出升级规则(如 SEV2 60 分钟未缓解升级为 SEV1 流程)。
- 值班轮换设计:主值班、备值班、经理升级三级结构;建议每周轮换、可持续值班最小团队规模为 5 人;分布式团队可采用 follow-the-sun;提供值班健康指标(每周告警数、非工作时间告警数、确认时间、带 Runbook 的告警比例等)。
- Runbook 编写:规定标题、更新时间、负责人,以及症状、影响、排查步骤、缓解步骤、升级、上下文六大部分,并给出质量检验标准(新成员 30 分钟内可解决或正确升级)。
- 复盘:明确举行条件与时间线(当天指派负责人、1–2 天起草、2–3 天开会、24 小时评审、第 5 天发布、第 30 天复核行动项),提出五个复盘问题,并要求行动项具备负责人、截止日期、优先级和可衡量的完成定义。
- 状态页:按用户可见服务分组组件并显示状态与 90 天可用率;事故条目使用面向客户的清晰描述;给出事故期间按阶段(调查中、已定位、监控中、已解决)的更新频率与内容规范,以及写作规则。
- 战情室:明确启动条件与分钟级协议(0–5 分钟开场并分配角色、5–15 分钟初步排查与首次状态更新、每 15 分钟检查点、解决时确认并安排复盘),以及战情室规则(一次一人发言、生产命令执行前需通报、记录员实时记录时间线、超过 2 小时轮换 IC)。
- 升级策略:Level 0 自动响应到 Level 4 总监/VP 的升级阶梯,以及各类升级触发条件(如主值班 5 分钟未确认自动呼叫备值班、30 分钟无进展升级一级、疑似数据丢失立即 SEV1 并升级至 Level 4)。
使用方式
技能激活后,首次回复需以 🧢 emoji 开头。首次在对话中激活时,会检查已安装的配套技能(通过 ls 查看 ~/.claude/skills/、~/.agent/skills/、~/.agents/skills/、.claude/skills/、.agent/skills/、.agents/skills/),与 frontmatter 中的 recommended_skills 比对,缺失时提示一次并提供安装命令:
npx skills add AbsolutelySkilled/AbsolutelySkilled --skill <name>
若 recommended_skills 为空或配套技能均已安装,则跳过该检查。详细内容按需从 references/ 加载:postmortem-template.md(无指责复盘完整模板、示例、主持指南、行动项跟踪格式)、runbook-template.md(详细 Runbook 模板与示例排查、缓解步骤)、status-page-guide.md(状态页搭建指南、沟通模板与事故更新示例)、war-room-checklist.md(战情室启动清单、角色卡与检查点脚本)。仅在当前任务需要时加载对应文件。
适用场景
适用于生产事故响应流程建设、值班体系设计、Runbook 与复盘模板落地、状态页与客户沟通规范制定、战情室流程与角色演练、升级策略与事故响应自动化构建。
限制
该资料未提供具体工具集成、平台支持范围、收费或价格信息。技能本身不替代 SLO/SLI 定义、基础设施供给与部署流水线设计,这些应使用其他相应技能。参考资料需按任务按需加载。