# 事件响应手册

> 目标：规范生产事件的分级、响应、处置与复盘，确保 RTO ≤ 30min
> 关联：`docs/architecture/runbooks/p6-hardening.md`

## 1. 事件分级

| 级别 | 定义 | 影响 | 响应时效 | 升级 |
|------|------|------|----------|------|
| P0 | 全站不可用 / 核心数据损坏 | 全部用户 | 5 分钟内响应 | 立即升级至 CTO |
| P1 | 核心功能不可用 / 关键 SLO 破坏 | 大量用户 | 10 分钟内响应 | 升级至服务负责人 |
| P2 | 部分功能降级 / 非核心故障 | 部分用户 | 30 分钟内响应 | 服务负责人跟进 |
| P3 | 单点告警 / 潜在风险 | 少量/无用户 | 工作时间内响应 | On-Call 自行处理 |

### 1.1 分级示例

- P0：网关全挂、主 DB 不可用且无法故障转移、数据丢失超过 RPO
- P1：登录不可用、课程播放不可用、Kafka 生产阻塞
- P2：消息推送延迟、报表生成失败、单个非核心服务宕机
- P3：单 Pod 重启、磁盘使用率告警、慢查询告警

## 2. 响应流程

```
发现 → 确认 → 升级 → 处理 → 恢复 → 复盘
```

### 2.1 发现

- 告警来源：Prometheus / Alertmanager / 用户反馈 / 人工巡检
- 第一动作：在 On-Call 群贴告警，标注收到时间

### 2.2 确认

- On-Call 5 分钟内确认告警真实性
- 排除误报（探针抖动、已知维护窗口）
- 初步定级，创建事故工单（Jira / 飞书项目）

### 2.3 升级

- 超出处置能力 → 立即升级
- P0/P1 → 拉事故群，通知相关服务 Owner
- 涉及外部公告 → 通知客服与公关

### 2.4 处理

- 遵循"先恢复，后定位"原则
- 优先使用预案：回滚、扩容、降级、熔断、切换
- 每个操作记录时间戳与执行人
- 关键决策需事故指挥确认

### 2.5 恢复

- 健康检查通过、SLO 恢复
- 观察 15 分钟确认稳定
- 关闭事故工单，进入复盘

### 2.6 复盘

- 48 小时内提交复盘报告
- 无 blame 文化：对事不对人
- 输出改进项，录入 `docs/architecture/roadmap/tech-debt.md`

## 3. On-Call 轮值

### 3.1 轮值制度

- 主备双人轮值，每周轮换
- 工作日：9:00-21:00 主，其余备
- 节假日：全天主备
- 交接：周一 10:00 站会交接，遗留问题清单

### 3.2 联络方式

- 电话：主 + 备 + 升级链
- 即时通讯：飞书 On-Call 群
- 告警：PagerDuty / 飞书机器人

### 3.3 响应要求

- P0/P1：电话 5 分钟内接听
- 告警确认：群内 5 分钟内回复
- 无法响应：自动升级至备值

## 4. 沟通模板

### 4.1 事故通报（初报）

```
【事故通报】<P级别> - <简述>
时间：<YYYY-MM-DD HH:MM>
级别：<P0/P1/P2/P3>
影响：<受影响功能/用户范围>
现状：<已知信息>
负责人：<On-Call>
下一步：<计划动作>
```

### 4.2 进展更新（每 30 分钟或重大变化）

```
【进展更新】<事故标题>
时间：<HH:MM>
进展：<自上次以来发生/完成的事>
当前状态：<仍受影响的功能>
下一步：<接下来 30 分钟计划>
```

### 4.3 恢复通知

```
【恢复通知】<事故标题>
恢复时间：<HH:MM>
持续时长：<时长>
原因：<根因摘要>
影响：<最终影响评估>
后续：<复盘会时间>
```

### 4.4 复盘报告

```
【复盘报告】<事故标题>
时间：<起止时间>
级别：<P级别>
影响：<用户/功能/数据>
时间线：<关键事件时间轴>
根因：<5why 分析>
处置：<做了什么、有效/无效>
改进项：<TODO + 负责人 + 截止>
经验：<可沉淀到 known-issues / runbook 的内容>
```

## 5. 常见事故处置

### 5.1 DB 主从切换

1. 确认主库故障（健康检查、连接超时）
2. 触发自动故障转移（Patroni / Orchestrator）
3. 若自动失败，手动 `./scripts/db/failover.sh --service <svc>`
4. 更新连接配置 / 刷新连接池
5. 验证读写正常、数据位点
6. 旧主恢复后作为从库加入

### 5.2 Kafka 消费堆积

1. 查看堆积：`kubectl exec -- kafka-consumer-lag`
2. 定位慢消费者：查日志、trace
3. 扩容消费者副本（HPA 或手动）
4. 若处理逻辑慢：临时降级非核心处理
5. 堆积消化后恢复
6. 复盘：扩容阈值、消费者并发配置

### 5.3 服务雪崩

1. 确认雪崩源头（哪个下游故障）
2. 确认熔断器已打开（Gateway 状态）
3. 若未打开：手动 `./scripts/gateway/circuit-breaker.sh open <service>`
4. 降级非核心功能
5. 扩容上游服务应对重试流量
6. 修复下游、半开试探、逐步恢复
7. 复盘：熔断参数、依赖隔离

## 附录：升级链

| 级别 | 第一响应 | 升级 1 | 升级 2 | 升级 3 |
|------|----------|--------|--------|--------|
| P0 | On-Call | 服务负责人 | 架构负责人 | CTO |
| P1 | On-Call | 服务负责人 | 架构负责人 | - |
| P2 | On-Call | 服务负责人 | - | - |
| P3 | On-Call | - | - | - |