MTTR

三年前的一个周五傍晚，我参与的一次发布把回滚拖成了四个小时四十七分钟。问题本身并不复杂，一个新上线的计价规则把部分订单的折扣算重了。真正让事情失控的是：没人能确认数据库里那条新增的…

2023年我在一家中型软件公司复盘发布事故时发现一个反常识的数据：全年11次P1级生产事故里，有8次的“二次伤害”不是故障本身造成的，而是故障发生后30分钟内没有执行回滚，团队在现…

2023 年我在一家 300 人规模的 SaaS 公司做发布治理咨询时，拉过他们过去 18 个月的发布记录：总共 412 次生产发布，其中触发了 37 次回滚，回滚平均耗时 52 …

凌晨两点十七分，一个核心结算任务在跑批中途失败。运维群里消息开始滚动，业务负责人在问"今天的账单还能不能出"，而管理层群里只有三个问题：影响多大？多久能恢复？下…