事故复盘Skill:用六步 SOP 把每一次线上故障变成可落地的改进清单
- 是什么:事故复盘Skill(英文名 incident-retrospective,技能ID 14343,MIT 许可)是一个遵循 Google SRE 与行业最佳实践的「无责事故复盘(Blameless Postmortem)」撰写工具,内置六步 SOP 与文档生成脚本。
- 怎么用:直接用自然语言描述事故,技能会按「概况收集 → 时间线梳理 → 5 Whys 根因分析 → SMART 改进措施 → 经验教训 → 生成文档」引导你走完全程;信息齐全时也可用脚本一次性输出格式化 Markdown。
- 强在哪:把「写复盘」从个人写作能力问题,变成有模板、有分级标准、有措辞检查清单的结构化流程,重点是它坚定地站在「无责文化」一边——只谈系统和流程,不谈谁背锅。
- 适合谁:SRE、运维、后端与前端研发、技术负责人、值班 on-call 同学,以及任何需要产出 P0/P1 故障报告、RCA 报告、Incident Review 文档的团队。
- 一句话总结:它不替你排查故障,但能保证复盘文档不遗漏关键信息、根因不浮于表面、改进措施不流于「加强监控」四个字。
该技能叫什么?如何下载安装 AI 技能提升开发效率?
技能基本信息:
| 项目 | 内容 |
|---|---|
| 中文名 | 事故复盘Skill |
| 英文名 | incident-retrospective |
| 技能ID | 14343 |
| 许可证 | MIT |
| 核心定位 | 线上事故复盘与结构化 Blameless Postmortem 撰写工具 |
它解决什么问题?
线上故障处理完,最痛苦的一步往往是「写复盘」。常见困境有三个:一是写得散——时间线靠回忆、根因靠感觉,报告写完还是不知道问题出在哪;二是写得歪——不知不觉写成「张三操作失误导致」,把复盘变成批斗会,团队下回再也不敢说真话;三是写了不做——改进措施写着「加强监控」「完善流程」,既没有负责人也没有截止日期,下次照样出问题。
事故复盘Skill 针对的正是这三件事:用六步 SOP 固定结构、用无责原则校正措辞、用 SMART 原则约束改进措施,最终输出一份可直接归档、可跟踪执行的复盘文档。
一键安装的思路与步骤:
- 确认运行前提:该技能的文档生成依赖 Python 3 环境(脚本入口为
scripts/generate_postmortem.py),并且需要你的 AI 客户端或平台支持挂载「技能(Skill)」。具体支持范围以官方说明为准。 - 在技能库中定位:在平台的技能市场或技能管理入口中,搜索中文名「事故复盘」或英文名
incident-retrospective;若搜索不便,可用技能ID 14343 精确定位该条目。具体入口路径以官方说明为准。 - 一键安装/添加:点击安装或添加技能,授权后在对话中即可被调用。该技能采用 MIT 许可证,属于开源友好型许可。
- 验证是否生效:新建对话,直接说「帮我写一份事故复盘,支付服务延迟飙升至 30 秒」,或者提到
postmortem、事故复盘、故障分析、RCA、5 Whys、incident review、故障报告等关键词,如果技能被正确触发,它应当按六步 SOP 开始逐项询问事故概况,而不是直接甩给你一段泛泛的模板文字。 - 验证脚本可用:在技能目录下执行
python3 scripts/generate_postmortem.py --interactive,如果进入交互式输入流程,说明脚本环境正常。
为什么说这是「提升开发效率」?
因为它把复盘从「事后补作业」变成「事后走流程」。结构化输入 + 脚本化输出,省下的不是写字的十分钟,而是复盘会反复来回确认、改口径、补时间线的那几个小时。
该技能的主要功能和特点
- 六步 SOP 全流程引导:从事故概况收集、时间线梳理、5 Whys 根因分析,到改进措施制定、经验教训总结、文档生成,每一步都有明确的输入字段和判断依据,不会写着写着跑题。
- 内置事故严重等级标准:给出 P0~P3 的明确定义与典型场景(如 P0 为全站/核心业务不可用,P3 为日志采集延迟等用户基本无感知的问题),避免团队内部对「这算不算 P1」争论不休。
- 时间线带类别标签:每个事件可标注「触发 / 发现 / 操作 / 恢复 / 信息」,并同步记录 TTD(发现时间)、TTR(恢复时间)、TTN(通知时间)与影响用户数、请求数、经济损失估算,让时间线不只是流水账。
- 5 Whys 根因分析有章法:明确要求至少追问五层、每层基于事实证据、多因可分支、最终根因必须指向系统或流程缺陷;同时提供常见根因分类(变更引入、容量不足、监控盲区、依赖故障、流程缺陷、设计缺陷),让根因归类有据可循。
- SMART 原则约束改进措施:每条 action item 需满足具体、可衡量、可指派、现实、有时限,并给出反例正例对照,例如把「加强监控」改成「为 payment-service 添加连接池使用率监控」,把「尽快完成」改成具体日期。
- 改进措施分级排序:按「减轻 / 发现 / 预防 / 流程」四类划分并给出优先级建议,减轻类下个迭代必须完成,发现类两周内完成,让整改不再是无期限的待办。
- 无责文化措辞检查清单:直接给出「避免 vs 使用」的替换对照,例如把「张三的失误导致了…」改成「变更流程缺少 X 环节,导致…」,帮你在落笔时就把追责语气改掉。
- 脚本化文档生成:支持交互式逐步输入,也支持 JSON 输入直接产出文档,可指定输出格式(markdown / json)、模板风格(standard 完整版 / brief 精简版)与语言(zh / en)。
- 和普通工具比强在哪:普通模板只给你一个空壳结构,普通大模型对话可能给你一段像模像样但缺数据的套话;这个技能真正的差异点在于——它会追问。缺时间点就问时间点,根因停在「代码有 bug」就会继续追问「为什么没在测试阶段发现」。
如何使用该技能?
方式一:交互式复盘(推荐,适合大多数场景)
- 描述事故:在对话中简述事故现象、发生时间、影响范围,例如「昨天下午支付服务 P99 延迟飙到 30 秒,影响了华东区一部分用户,已经回滚恢复,帮我做复盘」。
- 填写事故概况:按技能给出的字段补齐标题、严重等级、影响起止时间、持续时长、影响范围、值班人/响应团队。持续时长可由技能自动计算。
- 梳理时间线:按时间顺序逐条录入事件,并为每条打上「触发/发现/操作/恢复/信息」标签。技能会提示你同步记录 TTD、TTR、TTN 等关键指标。
- 执行 5 Whys:从直接原因起步,逐层追问「为什么会发生这个」。遇到多因分支时分别展开;技能会持续追问,直到根因落到系统或流程层面。
- 确定根因分类:从变更引入、容量不足、监控盲区、依赖故障、流程缺陷、设计缺陷中归类,便于后续做趋势统计。
- 制定改进措施:逐条填写类型、描述、负责人、截止日期、优先级,并按 SMART 原则逐项自查。
- 总结经验教训:分别从「做得好的」「做得不好的」「运气因素」三个维度总结,运气因素尤其值得写——它往往揭示了尚未暴露的潜在风险。
- 生成文档:执行
python3 scripts/generate_postmortem.py --interactive生成,或将信息整理为 JSON 后一次生成。
方式二:JSON 一键生成(适合已有完整信息、追求效率)
准备一份结构化的 incident.json,包含标题、等级、起止时间、影响、响应人、时间线数组、five_whys 数组、root_cause、root_cause_category、action_items 数组与 lessons 对象,然后执行:
python3 scripts/generate_postmortem.py --input incident.json --output postmortem.md
脚本常用参数:
| 参数 | 说明 | 默认值 |
|---|---|---|
--interactive |
交互式模式,逐步引导输入 | - |
--input <file> |
从 JSON 文件读取事故信息 | - |
--output <file> |
输出文件路径 | stdout |
--format |
输出格式:markdown 或 json | markdown |
--template |
模板风格:standard 完整版 / brief 精简版 | standard |
--lang |
文档语言:zh 或 en | zh |
输出说明:默认生成 Markdown 格式的完整版复盘文档,包含事故概况表、时间线、5 Whys 分析链、根因结论、改进措施清单与经验教训章节,可直接贴入团队 Wiki 或工单系统。若填写内容有缺漏(如改进措施没有负责人),技能会提示补充。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 事故复盘Skill(incident-retrospective) | AI 技能形态的结构化复盘撰写助手 | 六步 SOP 引导、P0-P3 分级、带标签时间线、5 Whys、SMART 改进措施、无责措辞清单、脚本生成文档 | 需支持技能挂载的 AI 平台与 Python 3 环境;安装入口与费用以官方说明为准 | 中小团队日常复盘、个人快速产出规范文档、复盘方法论的落地培训 | 优势:追问式引导、方法论完整、专注文档质量;不足:不含实时监控告警与工单跟踪能力,需与现有运维平台配合 |
| PagerDuty Postmortem 指南与模板 | 老牌事件管理平台沉淀的公开复盘方法论与模板 | 复盘文化指南、模板范本、与告警/值班流程打通 | 阅读公开文档几乎零门槛;完整平台能力需付费订阅,价格以官方说明为准 | 已使用该平台做 on-call 与告警的团队 | 优势:方法论权威、与告警数据天然衔接;不足:模板本身不会引导你思考,仍依赖人的写作与追问能力 |
| Atlassian 系(Jira Service Management / Confluence)事故模板 | 通用工单与文档平台的复盘模板 | 模板 + 页面协作 + 工单跟踪 | 需已有对应平台账号,费用以官方说明为准 | 已深度使用 Atlassian 全家桶的团队 | 优势:文档协作与任务跟踪闭环好;不足:5 Whys 与 SMART 等分析方法需要自己补,缺少结构化引导 |
| 直接向通用大模型提问「帮我写事故复盘」 | 通用对话式生成 | 免费写作、可自由调整风格 | 零门槛 | 临时应急、不追求格式规范的场合 | 优势:上手最快;不足:容易输出套话、遗漏关键字段、不主动追问数据,也不强制无责措辞与 SMART 校验 |
怎么选? 如果你要的是「把复盘这件事做规范」,这个技能的性价比很明显;如果你更需要「告警自动触发复盘工单」,那应该以事件管理平台为主、把本技能作为文档撰写环节的补充。
该技能的典型应用场景与实际体验情况
场景一:P1 支付故障后的复盘会准备
角色:SRE 值班工程师。痛点:故障处理完已经晚上八点,第二天上午就要开复盘会,手上只有零散的聊天记录和监控截图,时间线根本拼不齐。使用方式:把聊天记录里的关键节点按时间顺序喂给技能,让它按「触发/发现/操作/恢复」打标签,补齐 TTD/TTR 指标,再逐层跑 5 Whys。实际体验:引导流程非常「逼人」,当根因写成「代码有 bug」时会被继续追问到测试规范层面,最终结论通常不再是某个人的疏漏,而是流程缺口——这正是复盘会最需要的结论形态。注意事项:时间点必须自己核准,技能不会替你判断哪条记录是真的。
场景二:中小团队第一次建立复盘制度
角色:技术负责人。痛点:团队此前没有复盘习惯,写出来的报告五花八门,有人写三行,有人写三千字。使用方式:把六步 SOP 和 P0-P3 分级标准直接作为团队规范,用 --template brief 做日常小事故的轻量版,standard 做重大事故的完整版。实际体验:统一模板的最大价值是让复盘会有了共同的讨论框架,也方便按根因分类做季度趋势统计。注意事项:制度落地初期,建议负责人陪跑一两次,帮团队习惯「无责措辞」。
场景三:跨团队联合故障的责任边界澄清
角色:后端研发 + 平台团队。痛点:故障涉及上下游两个团队,复盘时容易演变成互相归因。使用方式:用无责文化措辞检查清单对齐表述,把「XX 团队没有通知」改写为「跨团队变更通知流程缺少强制环节」。实际体验:措辞转换看似只是文字游戏,但确实显著降低了会议对抗性,讨论更快聚焦到「流程该补哪一环」。注意事项:无责不等于无改进,措施仍必须落到具体负责人和日期。
场景四:个人复盘能力训练与知识沉淀
角色:刚转岗的运维同学。痛点:知道要做 RCA,但不知道五层追问应该怎么问、什么才算「根因」。使用方式:拿历史故障当练习题跑一遍 SOP,对照技能给出的根因分类表自查。实际体验:这更像一个方法论脚手架而非搜索引擎,上手难度低,但需要真实事故数据才有意义;空想出来的案例跑出来的复盘价值有限。
整体环境要求提示:技能依赖 Python 3 运行脚本,若平台不提供脚本执行环境,可只使用对话引导部分——六步 SOP、分级标准、措辞清单这些内容本身就是纯文本,不依赖脚本。
该技能能为用户带来的价值
效率层面:把复盘的「结构搭建 + 格式排版 + 措辞返工」这些机械劳动交给技能,人只需要提供事实。以往一份完整复盘文档从起草到定稿往往要经历多轮修改,现在可以在一次引导式对话后产出初稿,随后只做事实校对。时间线、TTD/TTR、改进措施清单这些原本容易漏项的内容,被固化成必填字段。
质量层面:SMART 原则让每一条改进措施都必须回答「谁、什么时候、做到什么程度」,从根本上减少了「加强监控」「完善流程」这类无法验收的空话。5 Whys 至少五层的硬性要求,则把根因从「某人操作失误」推向「系统缺少防护」,让整改真正作用于下一次。
文化层面:措辞检查清单把无责文化从口号变成了可执行的写作规范。当报告里写的是「部署流程缺少自动化回归测试」而不是「张三部署了有 bug 的代码」,团队才敢在下次复盘里讲真话——而讲真话是找到真根因的前提。
长期价值:统一的严重等级、根因分类与措施类型,让沉淀下来的复盘文档具备可统计性。积累一段时间后,你可以回答「我们团队过去半年最主要的根因类别是什么」「改进措施的按期完成率有多高」这类真正影响可靠性的问题。这是零散文档永远做不到的事。
常见问题 FAQ
Q1:这个技能怎么安装?需要准备什么?
答:在支持技能挂载的 AI 平台中,搜索中文名「事故复盘」或英文名 incident-retrospective,也可用技能ID 14343 精确定位,然后一键添加即可,具体入口路径与安装方式以官方说明为准。若希望使用脚本生成文档,还需本地具备 Python 3 环境,脚本入口为 scripts/generate_postmortem.py。
Q2:它收费吗?
答:该技能采用 MIT 许可证,属于开源友好型许可。是否涉及平台侧的使用费用,取决于你所使用的 AI 平台与具体调用方式,请以官方说明为准。
Q3:适合谁用?只写 P0 级事故有必要用吗?
答:适合 SRE、运维、研发、技术负责人及任何需要产出故障报告的角色。它并不只服务重大事故——通过 --template brief 的精简版模板,P2/P3 的日常小故障同样可以用它快速产出三五百字的规范复盘,避免小事不了了之、积累成大问题。
Q4:和直接用大模型聊天写复盘有什么区别?
答:关键区别在「追问」和「校验」。通用对话往往直接给你一段看似完整的模板文字,缺数据也不提醒;而该技能按六步 SOP 逐项索取字段,会追问 5 Whys 的每一层,会用 SMART 原则反查你的改进措施是否可验收,还会用措辞清单帮你把追责语气改成流程视角。
Q5:无责复盘会不会导致没人对故障负责?
答:不会,这两件事并不冲突。无责原则针对的是「对人的评价」,而改进措施必须满足可指派、有时限——技能明确要求每条 action item 都写明负责人与截止日期。也就是:不追责个人,但必须追进系统。真正的风险反而是有责复盘:一旦开始追责,下一次就没人愿意提供真实信息了。