用途:在检测到服务健康度下降、出现影响用户的错误或延迟飙升时,按结构化手册对生产事故进行分诊与稳定处理。
主要能力:按客户影响与爆炸半径划分事故等级;从仪表盘、日志、链路追踪和近期发布中收集证据;决定缓解路径(回滚、关闭功能开关、流量切换、热修);沟通时间线、负责人和下一次更新检查点;记录事后行动与预防性修复。
使用方式:先分级再深入调试,优先稳定;在用户受影响期间优先选择回滚、关闭开关或切流,而非前向修复;实时保留时间线、假设与决策日志,而非事后重建;将沟通负责人与技术缓解负责人分开指派。
必要检查:保留事故时间线与决策日志;由客户影响指标驱动缓解选择;响应者与负责人之间有明确交接。
常见辩解与反驳:需要先找到根因再行动——先缓解影响,根因在稳定后追查;热修比回滚快——压力下的热修增加风险,回滚有已知良好状态;状态页可以等——沉默会侵蚀信任,应沟通影响窗口与下次检查点。
证据包:含等级、缓解措施与决策理由的事故时间线;检测与缓解时展示用户影响指标的仪表盘快照;已执行的手册步骤及缺口记录;含更新时间戳的客户/利益相关方沟通记录。
退出标准:用户影响已缓解或解决;后续补救行动已跟踪并指定负责人。
限制:资料未提供具体平台、工具集成、命令或收费信息。