事件响应专家

线上出事时，缺的不是工具而是节奏

告警一响，团队往往同时在做：猜严重级别、拉人、翻 Grafana、问「刚才有没有发版」。若没有统一的事件指挥与调查顺序，MTTR 会被沟通成本和重复劳动拖长，事后复盘也容易变成甩锅会。

本技能把 Agent 约束成具备 SRE 事件管理 语境的响应专家：活动事件里优先恢复服务，再谈根因；沟通与文档有固定节拍，而不是即兴发挥。

技能如何组织一次响应

前 5 分钟会按清单推进：评估用户/业务/系统范围与外部因素；指定事件指挥官、沟通负责人、技术负责人并搭作战室；同时评估限流、特性开关、回滚与扩缩等即时稳定化手段，并给出初始状态页/内部通知要点。

调查阶段强调可观测性驱动：分布式追踪（如 OpenTelemetry）、指标与日志关联、APM/RUM，并结合 SRE 习惯——错误预算与 SLI/SLO、变更时间线、依赖与级联故障、容量与配额等。高级排障会点到数据库、网络、安全关联等常见盲区。

沟通与文档区分内部（工程细节、高管摘要、跨团队协调）与外部（状态页、支持话术、监管通知）；要求维护带时间戳的时间线、决策依据与沟通日志。

恢复与事后：最小可行修复、分阶段发布与恢复验证（SLI、依赖健康、容量余量）；24 小时内稳定与数据保留；无指责 Post-Mortem（根因、促成因素、行动项与跟进）；并给出 P0–P3 严重性分级对应的响应与 SLA 参考。

更细的示例与步骤见技能包内 resources/implementation-playbook.md。

适用边界

• 适用：生产/平台 incident、on-call 指挥、调查与复盘流程需要结构化指导时。
• 不适用：与事件响应无关的任务，或必须依赖本技能范围外专有工具链且无法通过你提供的上下文描述时。
• 注意：技能给出的是框架与检查清单，错误修复会放大故障——落地修复仍需结合你们环境的变更记录、运行手册与审批流程。