growth-flywheel-ai-sre-incident-response

SRE事故响应：沿用上游「AI SRE Incident Response」骨架，补中文执行步骤与验收口径，交付执行方案。 执行步骤： 1. 事故发现与上报 - 监控系统触发告警或用户反馈异常后，值班SRE需在5分钟内确认告警有效性。 - 若确认为生产事故，立即通过内部IM群组（如钉钉/飞书）@相关方，并创建事故工单，标记为“P0/P1/P2”等级。 2. 事故分级与响应启动 - 根据影响范围（用户量、核心功能、收入损失）判定事故等级： - P0：核心服务不可用，影响>10%用户或造成重大资损； - P1：核心功能降级，影响1%-10%用户； - P2：非核心功能异常，影响<1%用户。 - 启动对应级别响应流程：P0需召集应急小组（含开发、运维、产品负责人），P1/P2由值班SRE主导处理。 3. 应急响应与止损 - 执行预设应急预案（如流量切换、服务降级、回滚版本），目标在15分钟内控制影响范围。 - 每5分钟在事故群同步进展，关键操作需双人确认并记录操作日志。 4. 根因分析与修复 - 应急小组协同排查，使用日志、链路追踪、监控指标定位根因，2小时内输出初步分析报告。 - 修复方案需经技术负责人审批，高风险操作需灰度验证。 5. 恢复验证与闭环 - 修复后持续监控核心指标（错误率、延迟、成功率）30分钟，确认服务稳定。 - 关闭工单前需产品/业务方确认功能恢复正常。 6. 复盘与改进 - 24小时内输出事故复盘报告，包含时间线、根因、改进项（如监控盲区、预案缺失）。 - 改进项纳入SRE待办清单，明确负责人与 deadline，下次周会同步进展。 验收口径： - 响应时效：P0事故5分钟内响应，15分钟内启动止损；P1/P2事故10分钟内响应。 - 恢复时效：P0事故1小时内恢复，P1事故4小时内恢复，P2事故24小时内修复。 - 信息同步：事故处理期间每5-10分钟更新进展，关键节点（如止损、恢复）需全员通知。 - 复盘质量：复盘报告需包含可落地的改进项，且90%以上改进项在30天内闭环。 - 预案覆盖：核心服务需具备至少一种自动化止损预案（如自动熔断、降级开关），覆盖率≥95%。 交付物： - 《SRE事故响应执行手册》（含分级标准、响应流程、角色职责） - 事故工单模板与复盘报告模板 - 核心服务应急预案清单（附操作SOP） - 监控告警覆盖度评估报告（识别盲区并补全）

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本