用途:为生产服务建立规范的事件响应手册,涵盖检测、分级排查、缓解、根因调查、恢复与沟通,可用于编写服务专属 Runbook、设定升级路径、记录恢复流程及培训值班工程师。
主要能力:提供事件严重级别框架(SEV1 完全中断/数据丢失 15 分钟响应,SEV2 重大降级 30 分钟,SEV3 轻微影响 2 小时,SEV4 最小影响次工作日);给出手册结构:概述与影响、检测与告警、初始排查、缓解步骤、根因调查、解决流程、验证与回滚、沟通模板、升级矩阵。包含最佳实践,如每次事件后复审、定期演练、包含回滚步骤、记录前提假设、链接仪表盘,并提醒为凌晨场景编写、逐步验证、及时沟通、尽早升级、坚持复盘。
用法与示例:文档给出故障排查示例,如检查 Pod 状态命令 kubectl get pods -n payments,并附前提与失败处理(如 aws eks update-kubeconfig --name prod-cluster --region us-east-1)。建议在手册顶部加重编号清单便于高压下跟进;为破坏性 SQL 加警告并要求先做 dry-run 计数检查,再以 pg_terminate_backend 执行;标注“最后验证”日期、负责人与复审节奏;指定独立沟通角色每 15 分钟更新状态。
适用场景:新建或更新服务手册、建立升级机制、应对进行中的事件、值班交接与新人培训。限制:资料未提供具体平台依赖、安装命令、收费或授权信息,相关事实暂未提供。