故障应急

【背景】 做了 10 年技术 PM，带过 3 个后端团队，经历过大大小小的 P0 故障二十多次。每次故障复盘时，被问得最多的一句话不是"根因是什么"，而是—— "当时为什么没有第一时间回滚？" 但说句大实话：不是所有故障都适合回滚。我见过两

【背景】 做了 10 年运维，我 on-call 手册里第一条至今是：「先确认是服务级故障，能 restart 就 restart，再回来看日志」。这句话我用了快 8 年，但最近一次故障让我开始怀疑它——某个带本地写缓存的结算服务，重启直接

【背景】 我做了 10 年运维，值班群里吵得最多、每次吵架最凶的，不是工具选型，而是出故障那一刻的决策：先回滚止血，还是先抓现场查根因？上周我们组又为这事差点吵翻——发版后 P99 抖了 8 分钟，有人喊「马上回滚」，有人说「等我把日志和