用途：当生产行为已经出错、团队需要受控恢复时使用本技能。适用于生产运行失败、发布错误或部分数据、增量状态损坏、新鲜度 SLA 违约，以及紧急回滚或重放决策。资料强调不要在稳定系统、弄清影响之前就跳到修复。
主要能力与流程：
- 遏制事故：决定是否暂停调度、阻断下游发布、隔离坏分区、通知负责人与消费方。
- 在变更前拉取实时信号：可加载 mcp-data-observability-integration，在重跑或重放前检查延迟、运行状态或 Spark stage 指标。
- 界定影响：识别受影响数据集、时间窗口、下游消费方，以及数据是延迟、缺失、重复还是错误。
- 确定最安全的恢复路径：可选重跑、重放、回滚、部分修正或全量回填。选择重放或回填时，先加载 safe-backfill-and-replay-orchestration 并起草 templates/backfill-plan.yaml 再执行。
- 验证恢复后再重新开放发布路径。
- 记录事故并添加防护栏；修复但无预防措施视为未完成。
- 将高价值事故转化为可重复的韧性测试：需要防止同一故障模式再次突发时，加载 skills/data-resiliency-testing-and-failure-injection/SKILL.md 或 references/data-resiliency-testing-patterns.md。
资料列出的常见合理化借口包括：盲目重跑可能造成数据重复或破坏证据；下游信任损失常比管道本身更难恢复；根因不能等待，没有防护栏同一事故会很快重现。警示信号：未尝试遏制影响面、未弄清影响就重跑、未通知下游消费方、恢复成功但未新增防护栏。验证清单：影响范围与受影响消费方已识别；所选恢复路径比替代方案更安全；仅在验证后才重新开放发布；事后新增防护栏或检查。
限制：具体命令、安装方式、收费与平台支持暂未提供。