题干与适用场景
这是关于判断与协作的行为题，重点不在复述事故细节。你要说明如何用事先约定的触发条件评估用户影响、响应质量、重复风险和学习价值，并在无责文化下形成可执行的复盘。Google SRE 建议对重大不良事件进行复盘，常见触发包括用户可见降级、数据损失、回滚介入、解决时间超阈值和监控失效；任何利益相关者也可以提出复盘请求。
面试官考察点
- 能否把“影响不大”转成可观察的指标和明确阈值。
- 能否区分事故止损与复盘学习，不把复盘当作追责或写作竞赛。
- 能否在争议中给出轻量或完整两种范围，而不是非黑即白。
- 能否把行动项设为有负责人、截止时间和验证方式的工作。
- 能否用尊重事实的方式沟通，并让相关团队看到复盘收益。
回答前需要澄清的问题
- 18 分钟内受影响的请求比例、用户群、SLO 错误预算和业务损失是多少？
- 是否触发了回滚、人工介入、监控漏报或重复发生的相似事件？
- 之前是否有团队级复盘标准、严重度分级和行动项跟踪机制？
- 谁需要知道结果，是否涉及隐私、合规或外部沟通？
- 这次事件需要完整报告，还是一次短评审即可回答关键问题？
30 秒回答框架
“我不会用‘只有 18 分钟’决定是否复盘。先按影响比例、用户可见性、错误预算、回滚介入、监控能力和重复风险套用事先标准。既然发生了用户可见失败并触发回滚，我会至少做一次短版、无责的复盘，记录时间线、影响、响应和两三个高价值行动项；若数据表明存在系统性缺口，再升级为完整报告。行动项必须有负责人、期限和验证信号，并在团队例会或值班流程中追踪关闭。”
分步骤深入解答
第一步：先用标准判断触发
把事件放入既有严重度模型：用户影响、持续时间、错误预算消耗、数据完整性、人工回滚、监控失效和是否需要跨团队响应。阈值应在事故前定义，避免事后为某个团队临时改变标准。18 分钟本身不是结论；部分请求失败且发生回滚，已经满足许多团队的轻量复盘触发。
第二步：选择复盘深度
完整复盘需要时间线、影响评估、根因与促成因素、响应效果和预防行动。若影响小且单一原因已确认，可以先做 30 分钟的短评审，验证是否存在重复风险，再决定是否扩展。轻量不等于省略事实；它只缩小参与人、篇幅和行动数量。
第三步：保持无责与证据导向
复盘假设当时的人依据已有信息做了合理选择，讨论系统如何让错误更容易发生：发布防护、告警、权限、运行手册或信息缺口。避免“某人忘了检查”这类无法改变系统的结论。时间线应引用日志、变更记录和沟通记录，并标注未知信息，不用猜测填空。
第四步：让行动项可执行
每个行动项写清负责人、截止日期、优先级、依赖和完成证据。例如增加发布前健康检查、补充回滚演练或修正告警阈值。不要列“提高警惕”或“加强测试”这种无法验收的句子。行动项应进入团队 backlog，并在约定的 SLO 内复查；Google SRE 强调没有后续行动的复盘无法带来可靠性收益。
第五步：处理利益相关者分歧
向产品经理说明复盘成本与避免重复事故的预期收益，向希望写长报告的工程师说明影响边界。提出时间盒方案：先发布一页事实和行动清单，再由证据决定是否扩展。若任何利益相关者认为事件值得复盘，应记录其理由并纳入评估，而不是用职位否决。
第六步：验证闭环与分享边界
复盘完成后检查行动项状态、重复告警、相似发布和错误预算趋势。根据受众脱敏用户信息和敏感细节，向能受益的团队共享结论。复盘不应成为公开羞辱材料；但过度限制访问也会让组织重复犯错。保留原始证据和最终版本，方便后续审计与学习。
高质量示范回答
“我会先套用事故前定义的严重度和复盘触发条件，而不是凭 18 分钟做判断。这里有用户可见失败和回滚介入，我会至少安排一次时间盒短版复盘，确认影响、时间线、响应效果和重复风险。复盘采用无责语言，引用日志与变更记录，区分根因和促成因素；如果发现监控、发布防护或运行手册存在系统缺口，再扩展为完整报告。每个行动项都有负责人、期限、优先级和验证信号，并进入 backlog 跟踪。对产品经理我说明复盘成本和避免重复事故的收益，对工程师我控制范围，先交付事实和行动清单。完成后脱敏分享给受益团队，检查行动项关闭和相似事件是否下降。”
常见错误
- 只用持续时间判断，不看用户比例、错误预算、回滚和监控失效。
- 把复盘写成找责任人的调查，导致值班同学隐藏信息。
- 为了“完整”列几十个行动项，却没有负责人和完成证据。
- 用“加强测试”“提高警惕”代替可验收的系统改动。
- 产品经理说不需要就取消，忽略既定标准和利益相关者请求。
- 只写文档不追踪行动项，也不验证相似事故是否减少。
追问及应对
如果没有统一的复盘标准怎么办？
先公开说明当前依据：用户影响、错误预算、回滚、监控和重复风险。用这次事件建立最小触发清单，和团队约定后续版本；不要在事件中临时制定复杂制度。
复盘发现某个人确实做错了怎么办？
记录决策所依据的信息和系统约束，关注流程、工具和培训如何减少同类错误。若涉及故意违规或安全问题，另走正式管理流程；复盘正文保持无责，避免把两种目的混在一起。
如何证明短版复盘已经足够？
短版必须回答影响、时间线、响应、根因假设和行动项，并在约定时间检查行动证据和相似指标。若仍有未知影响、跨团队依赖或重复风险，就升级范围；“篇幅短”本身不是完成标准。