事故处理流程是什么
标准的事故处理顺序是：确认并宣布等级、指定指挥与角色、先止损再追因、按固定节奏同步进展、确认恢复后关闭并转入复盘。核心原则是止损优先——恢复服务与查明原因是可以分开的两件事，处置期间讨论责任归属只会拖慢恢复。流程存在的意义是把「慌乱中的自由发挥」换成「有既定动作的协同」。
基本信息
| 适用平台 | 团队级流程，与具体监控工具无关 |
|---|---|
| 关键角色 | 事故指挥、沟通负责人、技术处置人 |
| 同步节奏 | 每 15 至 30 分钟一条状态更新 |
| 结束条件 | 影响归零并观察一段时间后由指挥宣布关闭 |
典型使用场景
- 线上故障：核心功能不可用时立即启动流程并指定指挥
- 演练复盘：按流程走一遍，暴露协同与工具链的断点
- 跨团队影响：多方同时处置时由指挥统一口径与优先级
- 高危变更后异常：回滚判断与止损动作按流程执行
- 对外沟通：由沟通负责人统一输出事实与影响，避免猜测根因
时间线示例
时间线示例
10:07 告警 HighErrorRate(order-svc) 触发
10:09 指定事故指挥，开始止损评估
10:12 建立事故频道，同步影响面与当前判断
10:14 回滚 v1.8.2，错误率开始回落
10:30 指标恢复，发布缓解公告（只讲事实与影响）
11:00 观察期内无复发，事故关闭，复盘排期
# 记录时间点是复盘的原材料：发现耗时、定位耗时、恢复耗时都从这里取角色与职责
| 角色 | 职责 | 不做什么 |
|---|---|---|
| 事故指挥 | 定优先级、分配任务、决定取舍 | 不亲自钻进技术细节 |
| 技术处置 | 执行止损与验证动作 | 不对外发布未经确认的结论 |
| 沟通负责人 | 统一对外同步、记录时间线 | 不代替指挥做技术决策 |
| 复盘负责人 | 组织无责复盘、跟踪改进项 | 不在处置期间定责 |
止损动作有优先级顺序：回滚、切流、扩容、限流、降级开关；先选影响面小、可逆、见效快的动作，避免在故障中做复杂变更。
恢复之后再复盘：处置期间追问「谁改的」会让人隐瞒信息，复盘的价值在于找到系统性缺口而不是找到责任人。