复盘

先说结论：我站「Blameless + 硬性的系统级 Action Item」，但我知道这个题在 SRE 圈里从来没吵完过。今天把争点摊开，想听大家不同规模、不同阶段的真实做法。 背景 我做了 8 年 SRE，前后在两种文化里待过。 第一种

背景 上周复盘一个「看起来没事」的接口：订单详情查询，QPS 约 1200，业务方三个月没提过任何体验问题。但拉了 90 天 P99 曲线，从 3 月的 186ms 一路爬到上个月的 812ms，P50 基本没动（一直在 42ms 附近）。

【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