故障发生后的四个环节
很多 App 在出问题后才临时决定怎么通知用户,我们反过来:先定巡检、再定分级、再定维护窗口,最后才有公告内容。下面四件事是固定的,不随版本变化。
探针每 15 分钟对播放、登录、支付、公告四条链路做一次全量探测,连续 2 轮失败即自动开故障单,不等人工上报。过去 90 天 68% 的故障由机器先发现,平均比用户反馈早 11 分钟。
P0 全站不可用,5 分钟内响应、30 分钟出结论;P1 核心功能受累,15 分钟响应、2 小时内定位;P2 单城市或单机型问题,1 小时响应;P3 版式与文案问题,进下周版本。分级标准公开,你也能按同一把尺子催单。
每月第二、第四个周三凌晨 2:00–3:30 为固定维护窗口,单次封顶 90 分钟;若本次无事可做,会在前一天 18:00 前取消并公告。紧急维护另行通知。窗口内只更新服务端与推荐模型,不删任何内容。
故障发生后 3 分钟内,App 首屏、官网状态页、短信订阅三条通道挂出同一份公告,措辞一致,不写“正在紧急处理”这种空话。公告按时间轴更新,每 15 分钟标一次时间戳,恢复后保留 72 小时供回看。
全量巡检间隔
P0 首响应
单次维护封顶
月度可用率
数据取自最近 90 天(含 2 起 P1、5 起 P0),完整时间线可在 App 内“我的—服务状态”回看。
真的断过线的人怎么说
下面三条来自真实反馈截图,包含不满意的部分,我们没有删。
去年 11 月 3 日晚上全站崩了,我正好在追一个连载。19:42 提交反馈,19:47 收到回执,20:11 公告页更新为“数据库连接池打满,预计 22:00 前恢复”,21:47 真的好了。两个多小时不算快,但每一步都告诉你现在走到哪,比干等着强太多。
维护窗口死定在周三凌晨,对我这种夜班党确实不友好,但提前一天弹窗提醒是真的有。有一次我想差评,是因为某个城市的节点问题拖了快 3 小时才修好;后来看公告说只影响 2 个省份、已降级绕行,我也能接受,至少知道不是全站在陪我一起等。
最满意的是状态页不删历史。我翻到 2023 年 6 月那次 P0,从报障时间、影响范围到复盘全文都还挂着,连“预估 60 分钟、实际 112 分钟”这种超时记录都写着。做技术的都知道,敢把超时挂出来,说明没打算糊弄过去。
还有没说清的