事故复盘

背景 先抛一个我自己被戳到的数字：我带过的团队里，P1 以上事故平均每月 1.2 起，每起复盘平均产出 6–8 条改进项；但半年后回看，真正"可验证地生效"的不到 40%。剩下的不是没人做，而是三类：a) 做了但没有对照数据证明有效；b)

先抛一个我亲历的场景，大家先看是不是眼熟。 去年 Q3 我们一个核心服务出了 P1：一个缓存击穿导致下游 DB 被打满，恢复花了 42 分钟。复盘做得很「标准」：时间线、根因、影响面、改进项，四样齐全。改进项一共 6 条，其中 3 条是「加

ADR 落地 8 个月，我们把线上事故根因里的"为什么这样设计"问句减了 63% 一、现象与背景：事故复盘会上，最贵的一句话是"我也不知道当初为什么这么写" 2024 年 Q3，我们团队（4 个后端、2 个前端、1 个 SRE、我）负责一个

背景： 我做了 15 年技术产品，经历过大大小小 40 多次线上事故复盘。每次复盘会，气氛几乎一样：前 10 分钟大家还在客观还原时间线，15 分钟之后就开始变成「当时为什么没有 double-check」「这个流程谁定的」「这个人能不能再

«结论先行：特性开关（feature flag）不是「代码开关」，它是一次隐性的执行计划变更。当你把 flag 从 0 切到 1 的那一刻，SQL 走的索引、JOIN 的表、缓存的 key 全变了——而这一层变化，绝大多数团队的变更流程完全