故障响应 Runbook
分级
| 等级 | 定义 | 响应目标 |
|---|---|---|
| P0 | 生产核心流程不可用，严重影响客户业务 | 立即响应 |
| P1 | 重要功能异常，有替代方案但影响明显 | 30 分钟内响应 |
| P2 | 局部问题或低频异常 | 1 个工作日内响应 |
响应流程
- 确认故障现象。
- 判定级别。
- 指定 incident owner。
- 建立沟通频道。
- 收集日志、指标、最近变更。
- 决定修复、降级或回滚。
- 持续同步客户。
- 恢复后完成复盘。
信息收集
- 发生时间：
- 影响范围：
- 受影响用户：
- 最近变更：
- 错误日志：
- 指标异常：
- 临时绕行方案：
客户沟通模板
我们已确认问题，当前等级为 [P0/P1/P2]。
影响范围：[影响范围]
当前动作：[排查/修复/回滚]
下一次同步时间：[时间]
负责人：[姓名]恢复后复盘
- 根因是什么？
- 哪个监控应该更早发现？
- 哪个 runbook 步骤需要更新？
- 是否需要新增自动化或告警？
- 是否需要客户侧培训？