多数人做事故复盘时,先写「加强监控」「提高意识」,再补一条时间线当装饰。这种复盘开完就散,同样的事故三个月后再来一次。问题不在态度,在方法:时间线没对齐,原因没分层,改进项没有验收标准。AI 能帮上忙,但它只会放大你输入的质量——喂给它一段含糊描述,它回你一段更漂亮的含糊。
先定边界,再让 AI 介入
判断:复盘失败往往从范围不清开始。一次事故牵扯多个系统时,先把「这次复盘管到哪」写死。
做法:列出事故起止时间、受影响的服务与用户范围、本次不讨论的部分。把这份边界说明作为后续每次提问的前置上下文。范围之外的问题单独开复盘,不要混进来。
时间线:以可核对的事件为单位
判断:时间线不是叙事,是证据链。每条记录都要能指向日志、告警、工单或聊天记录。
做法:先自己从监控和工单里拉出原始时间点,再交给 AI 整理。要求它只做归并和排序,不补充任何未提供的事件。发现缺口就标「待核实」,不要让它猜。
下面是一次事故的原始记录(日志片段、告警、工单、群聊时间戳)。
请整理成时间线表格,列为:时间(精确到分)、事件、信息来源、是否已核实。
规则:
1. 只使用我给的材料,不得推断或补写任何事件;
2. 材料之间时间冲突时,两行都保留并标注冲突;
3. 缺失关键环节的地方,单独列出「待核实清单」;
4. 不要给原因分析,只做时间线。
原因分层:直接原因往上追一层
判断:直接原因是「什么坏了」,系统性原因是「为什么它坏了没人拦住」。只写前者,改进项必然停留在补丁层面。
做法:先让 AI 从时间线里提取直接原因,再针对每条直接原因追问:这个变更为什么能上线?这个告警为什么没人看?这个依赖为什么没有降级方案?追问要落到流程、权限、默认配置、责任归属上,而不是「某人疏忽」。
- 直接原因:配置变更导致连接池耗尽。
- 系统性原因:变更无灰度、无自动回滚、容量告警阈值长期未校准。
- 不合格的写法:操作人员责任心不足。
改进项:每条都要能被验收
判断:改进项写不成可验收的形式,等于没写。「加强」「优化」「提升」都不是动作。
做法:每条改进项包含四要素——具体动作、负责人、完成时间、验收方式。验收方式必须是可观测的:某类变更必须走灰度、某告警在演练中触发、某脚本在指定场景下自动执行。让 AI 逐条检查你的改进项,把不合格的打回。
以下是我的改进项列表。请逐条判断是否可验收:
1. 是否包含具体动作(而非「加强」「优化」类表述);
2. 是否有负责人和截止时间;
3. 验收方式是否可观测、可复现。
对不合格的条目,指出缺哪一项,并给出改写示例,不要替我编造负责人和时间。
什么情况下这套做法不适用
判断:AI 辅助复盘适合有日志、有工单、有明确时间边界的技术事故。以下情形不要硬套。
- 事故仍在处置中:先止血,复盘等状态稳定后再做。
- 涉及法律责任或人事调查:记录口径需法务或合规确认,不要让 AI 生成任何定性表述。
- 原始材料极少:只有口述、没有日志时,AI 整理出的时间线只是转述,不能当证据。
- 跨组织责任划分:原因分层会触及部门利益,AI 的输出只能作讨论底稿,结论必须由人拍板。
判断标准很简单:如果复盘产出的每条改进项都能在下次演练中被验证,这套流程就成立;如果会后没人能说清哪条改完了、怎么算改完了,说明你只是又开了一次会。
