先查这五项。
- 事故等级和记录规则是否变化
- 上升集中在哪些服务与依赖
- 哪些变更类型更容易失败
- 告警发现是否及时且可行动
- 恢复被权限、回滚或知识阻塞多久
只取会改变判断的资料。
- 01事故时间线与影响
- 02部署和配置变更
- 03告警与可观测事件
- 04服务依赖
- 05回滚和恢复动作
- 06复盘与后续任务
先做一个可逆动作。
选择一种重复事故，为相关服务增加一个可自动验证的发布前检查或回滚演练；先在预生产和低风险变更验证。
给团队一个可以行动的判断。
- 01事故口径与趋势
- 02重复模式与依赖
- 03恢复时间分解
- 04一项防复发验证
三个常见问题。
事故数量越少越好吗？
记录不足也会更少，应同时看影响、发现和恢复。
能用 AI 自动写复盘吗？
可整理证据，但责任和因果判断需团队确认。
先增加告警有用吗？
只有告警可行动且不会制造噪声时。