Agent Skills
返回列表
🔒

多智能体 SRE 事件响应

IT 运维与安全 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @org-02qudk26/incident-response-incident-response。

技能介绍

生产事件里缺的不是告警，而是可执行的指挥链

PagerDuty 响了之后，团队往往要在「先限流还是先查日志」「谁对外发状态页」「要不要回滚」之间反复对齐。本技能把现代 SRE 事件指挥（ICS）拆成多阶段、多角色协作的工作流：用专门子智能体承接检测分诊、可观测性扫描、缓解与根因分析，而不是让同一个对话里混杂沟通文案和部署细节。

工作流如何推进

配置侧先约定 P0–P3 严重性与事件类型（性能降级、中断、安全、数据完整性、基础设施、第三方依赖等）。典型路径包括：

  • 阶段 1：incident-responder 做分类与影响评估；observability-engineer 拉追踪、指标、日志与 APM；必要时限流、特性开关、断路器或回滚。
  • 阶段 2：debugger 做深度调试与五个为什么；security-auditor 评估 DDoS、认证失败与暴露面；performance-engineer 看容量与瓶颈。
  • 阶段 3–5：架构与部署智能体实施最小可行修复并做金丝雀/蓝绿验证；内容侧产出状态页、内部技术更新与高管摘要；最后无指责复盘，并补告警、SLI/SLO 与架构韧性项。

文档里还定义了事件指挥官 / 技术负责人 / 沟通负责人等角色，以及作战室、状态页、共享时间线等交接要求。

适用边界

适用于需要事件响应指导、检查清单与可验证步骤的任务；与事件无关或依赖本技能未覆盖的其他领域工具时，应换用别的技能。详细示例见资料中的 resources/implementation-playbook.md。

使用场景

  • Oncall 收到 PagerDuty/Opsgenie 告警，需在数分钟内完成 P0–P3 定级、影响面梳理与初始指挥结构分配。
  • 生产出现服务中断或严重降级，需按清单执行可观测性扫描并决定是否限流、关特性开关或回滚近期部署。
  • 日志与追踪显示异常但根因不明，需并行做深度调试、安全影响评估与性能瓶颈分析后再上生产修复。
  • 事件恢复后需在时限内完成无指责复盘、干系人沟通记录，并输出监控告警与架构韧性的改进项。

适合人员

  • 承担 Oncall 轮值的 SRE，告警触发后要把监控信号转成严重性、SLO 状态与可执行的初始缓解步骤。
  • 主导线上故障排查的后端/平台工程师，需要分阶段协调调试、部署验证与带来回滚预案的最小修复。
  • 负责对外状态与对内技术同步的沟通或客服接口人，希望按 P0–P3 节奏产出状态页、高管摘要与工单话术要点。
  • 事件关闭后负责可靠性治理的可观测性或架构同学，要把复盘行动项落实为新告警、仪表盘与韧性改造路线图。