SRE 值班检查清单

使用方式

值班的目标不是“接所有告警”，而是快速判断影响、找到负责人、恢复服务并留下记录。交接班时逐项确认，事故处理中按“确认 → 分级 → 止血 → 恢复 → 复盘”推进。

值班前确认工具、权限和联系人可用；值班中避免单打独斗，及时升级。

检查清单

1. 交接班

上一班未闭环的告警、变更和事故已交接。
当前进行中的发布、维护和风险窗口已知。
关键系统 owner、升级路径和 IM 群可用。
值班工具（看板、日志、追踪、工单）可访问。
个人状态和备份值班人已确认。

2. 告警质量

告警是症状导向，能说明用户影响。
每条告警有 runbook、负责人和升级路径。
告警有去重、抑制和静默策略。
夜间告警阈值与白天不同，避免疲劳。
每周回顾误报和漏报。

3. 事故分级

P0/P1/P2/P3 的定义和响应时限明确。
影响面按用户、收入、核心链路评估。
分级后立即指定 incident commander。
对外沟通由专人负责，工程同学专注止血。
记录时间线和关键决策。

4. 止血与恢复

优先回滚、切流、扩容、降级，而不是先找根因。
变更冻结，避免二次破坏。
数据库变更和不可逆操作需要二次确认。
恢复后确认核心指标回到基线。
保留现场：日志、指标、抓包、变更记录。

5. 沟通

建立统一事故频道，固定更新频率。
对外状态页/客户通知有模板和审批。
升级路径清晰：技术、业务、管理层。
不做无依据的承诺，给出下一次更新时间。
事故结束后发布简明总结。

6. 复盘

24–72 小时内完成无责复盘。
时间线、根因、影响、止损动作完整。
改进项有 owner、截止时间和优先级。
同类风险做横向排查。
复盘结果进入 runbook 和监控。

常见误区

告警一响就重启，现场丢失，根因永远找不到。
所有事故都按最高级别处理，团队迅速疲劳。
值班人独自处理，升级太晚。
只修当前实例，不做横向排查。
复盘变成追责，导致信息隐瞒。
改进项没有 owner 和验收，下一次重复发生。

相关条目