
Leading a Post-Incident Review
大师主持事故复盘会
Practice running a blameless review after a major outage: reconstructing events, probing causes and agreeing on safeguards.
练习在重大故障后主持无责复盘:还原经过、深挖原因并商定防范措施。
Setting a Blameless Tone营造无责复盘氛围Grace 开场说明,复盘的目的是弄清故障如何发生,而不是追究责任。她鼓励团队坦诚交流,并区分当时看来合理的判断与事后才明朗的事实。
Reconstructing the Timeline还原事件时间线Jack 带领大家梳理事故时间线,Mia 则核对告警、交接和决策的先后经过。他们找出记录中的空白,但不把信息缺失当作失职的证据。
Probing the Root Causes探究根本原因Grace 引导讨论从直接诱因深入到导致故障扩大的系统性条件。Jack 和 Mia 一起审视监控、部署防护措施及相互冲突的优先事项,而不把事故简单归结为某一个错误。
When Someone Feels Blamed当有人感到被指责Jack 讲到一次仓促的部署时,担心讨论是在针对他。Grace 承认自己的措辞可能造成了这种感受,随后将讨论重新引向当时的限制条件,以及影响这一决策的防护措施。
Agreeing on Safeguards商定防护措施团队把复盘发现转化为具体行动,为更安全的回滚、更清晰的告警和更完善的升级处理流程指定负责人及期限。Grace 确认每项防护措施都针对已发现的风险,而不是单纯增加流程。
Briefing Leadership向管理层汇报Grace 向 David 汇报故障影响、促成事故的因素及已商定的防护措施,并谨慎避免夸大证据能够证明的内容。David 询问管理层需要提供哪些资源或推动哪些改变来防止事故重演,以及如何衡量进展。