故障复盘模板（Postmortem）

原则：复盘不追责、不甩锅，目标是「让同类故障不再发生」。先写事实，再写改进，别在故障中还热的时候就开复盘会。

0. 基本信息

• 故障编号 / 标题：
• 时间：开始 ______ 恢复 ______ 持续 ______
• 影响范围 / 影响用户量：
• 严重级别（P0/P1/P2）：
• 值班人 / 参与人：

1. 现象（用户视角）

• 用户看到了什么？（报错、超时、数据异常、页面不可用）

2. 时间线（只写事实）

从最早的可疑信号写起，包括告警、用户反馈、自查发现。

3. 根因分析

• 直接原因：触发故障的那一个改动 / 事件是什么？
• 根本原因：用 5-Why 往下挖——
  1. 为什么 A？→
  2. 为什么 B？→
  3. 为什么 C？→
  4. 为什么 D？→
  5. 为什么 E？→
• 放大因素：为什么小问题变成了大故障？（无降级、无告警、值班没人……）

4. 排查过程

• 先怀疑了什么？为什么？
• 用什么手段定位的（日志 / trace / 指标 / 压测复现）？
• 哪些排查是绕了弯路的？（下次可以省掉的）

5. 止血与恢复

• 做了什么让系统先恢复？（回滚 / 扩容 / 降级 / 重启）
• 止血动作本身有无副作用？

6. 修复方案（长期）

7. 待验证项

• 修复后压测 / 演练验证过
• 告警能提前 10 分钟发现同类问题
• 新同学照着文档能完成一次演练

8. 一句话教训

用一句话总结，能让所有人记住的版本。