标准答案
- 先确认影响范围、开始时间、受影响用户和核心业务指标，按既定标准分级并指定事故负责人。
- 止血优先选择可逆且低风险的动作，例如回滚、关闭开关、限流、摘除故障实例或切换备用依赖。
- 沟通使用同一状态频道，定期更新已知事实、当前措施、用户影响和下一次更新时间，避免多人各自发布猜测。
- 恢复后验证请求成功率、数据一致性、消息积压、对账和监控基线，再进入复盘与长期改进。
题目解析
事故中最稀缺的是注意力。清晰的角色和时间线能让排查、执行和外部沟通并行，而不是所有人同时改配置。
只修触发错误的那一行并不等于事故结束。重复消息、错误数据、积压任务和用户侧缓存可能在服务恢复后继续造成影响。
常见误区
- 没有确认影响范围就执行高风险操作。
- 多人同时修改生产配置，之后无法还原谁改变了什么。
- 服务恢复后不做数据校验和用户影响确认。