关于 incident-response
Incident Response 是供团队处理生产事故并提升运维韧性的结构化指南，涵盖检测、分级、遏制、恢复和无责复盘，并提供严重程度判断与响应做法。
主要功能
- 01覆盖从事故检测到复盘的流程
- 02判断严重程度和影响范围
- 03运用韧性模式遏制故障级联
- 04协调沟通并更新状态
- 05记录时间线并分配后续行动
适用场景
- 01应对生产中断或数据丢失
- 02规划熔断器和回退策略
- 03开展混沌工程演练
- 04撰写或审阅事故复盘
安装
复制下面的命令，在终端中运行。
$
npx skills add https:/安装后在 Claude Code 中输入/incident-response确认已加载。
附带文件references/postmortem-patterns.mdreferences/triage-framework.md
详细介绍
事件响应
从检测到复盘的结构化事件管理，并采用韧性模式来预防和遏制级联故障。
适用场景
- 生产环境中发生事件（服务中断、性能下降、数据丢失）
- 设计熔断器、隔板或回退策略
- 开展或规划混沌工程演练
- 编写或审查复盘文档
- 制定值班流程和升级路径
避免在以下场景使用：
- 问题是开发阶段的 Bug，且不会影响生产环境
- 设计通用系统架构（改用 system-design）
快速参考
| 主题 | 加载参考资料 |
|---|---|
| 分诊框架 | skills/incident-response/references/triage-framework.md |
| 复盘模式 | skills/incident-response/references/postmortem-patterns.md |
事件响应工作流
阶段 1：检测
- 告警触发或收到用户报告
- 确认问题确实存在（并非误报）
- 确定受影响的服务和用户影响范围
阶段 2：分诊
- 判定严重程度（P0-P3）
- 指定事件指挥官
- 开启沟通渠道（战情室、Slack 频道）
- 开始更新状态页
阶段 3：遏制
- 止住损失：回滚、启用功能标志、切换流量
- 防止级联故障：熔断器、负载削减、隔板隔离
- 沟通：P0/P1 事件每 15 分钟向相关方通报进展
阶段 4：解决
- 实施修复（优先采用最小可行修复）
- 如果时间允许，在预发布环境中验证
- 部署时启用监控，并准备好回滚方案
- 确认指标恢复到基线，验证服务已恢复
阶段 5：复盘
- 在 48 小时内记录时间线
- 与所有参与者开展无责复盘
- 找出根本原因和促成因素
- 指派负责人并设定截止日期，落实行动项
- 根据经验教训更新操作手册和告警规则
严重程度框架
| 等级 | 影响 | 响应时间 | 示例 |
|---|---|---|---|
| P0 | 完全中断、数据丢失、安全漏洞 | 立即（< 5 分钟） | 服务宕机、数据损坏、凭证泄露 |
| P1 | 主要功能不可用，对用户造成重大影响 | < 30 分钟 | 支付处理失败、某个区域的身份验证不可用 |
| P2 | 性能下降、部分功能不可用 | < 4 小时 | 延迟升高、非关键功能不可用 |
| P3 | 轻微问题，有可用的替代方案 | 下一个工作日 | UI 显示异常、报告生成缓慢、外观错误 |
输出
- 事件时间线和严重程度分类
- 已采取的遏制措施
- 含行动项的复盘文档
- 更新后的操作手册和告警规则
常见错误
- 跳过严重程度分类，把所有问题都当作 P0 处理
- 未制定回滚方案就进行更改
- 忘记向相关方通报状态
- 编写归咎于个人而非找出系统性问题的复盘文档
- 未跟进复盘中的行动项
评论
支持 Markdown