事件运行手册模板

值班时最怕什么

凌晨告警响起，团队往往缺的不是热情，而是一份可逐步执行的文档：谁先查什么、何时升级、怎样验证恢复、对外怎么说。口头经验在压力下容易漏步；纯 SRE 理论又离 kubectl、Prometheus、回滚命令太远。本技能针对的是事件响应运行手册的编写与结构化，而不是泛泛的 IT 项目管理。

技能如何组织内容

技能围绕「检测 → 分诊 → 缓解 → 解决 → 沟通」整条链路，提供可直接套用的模板与示例片段。

• 严重性分级：用 SEV1～SEV4 表格统一影响、响应时间与示例（如生产宕机 vs 非关键缺陷），便于和 on-call 策略对齐。
• 运行手册骨架：以服务中断类场景为例，给出分步操作——检查 Pod/部署历史、查 5xx 率、日志聚类、扩容、特性开关、依赖断路器等，并附带验证与回滚小节（部署回滚、迁移回滚、开关回滚）。
• 沟通模板：调查 / 缓解 / 已解决三段式更新，方便同步事件指挥官、影响面与跟进项（如复盘、缺陷修复）。
• 数据库专项：连接池、复制延迟、磁盘、锁等问题的快速参考命令表，可并入服务手册或单独成册。

使用说明强调：先明确目标、约束与输入，再应用最佳实践并逐步验证；更完整的示例指向 resources/implementation-playbook.md。

适用边界

• 适用于：建立事件响应程序、服务专属 runbook、升级路径、恢复步骤记录、活动事件响应、值班入职材料。
• 不适用：与事件 runbook 无关的任务，或必须依赖本技能范围外其他领域/工具才能完成的工作——应换用对应技能而非硬套模板。
• 实践上应事件后审阅 runbook、演练/混沌测试、为每步写清假设并链到仪表盘；避免假定读者已熟架构、跳过验证或省略复盘。