01
服务目标
先定义业务可接受的中断和延迟
按业务流程和租户等级定义可用性、完成率、恢复时间和数据恢复目标，目标必须能被监控验证。
执行步骤
- 01
识别关键业务流程
- 02
定义 SLO、RTO、RPO
- 03
拆分服务、队列和依赖指标
- 04
建立错误预算与升级线
验收证据目标与租户等级当前值与预算消耗升级阈值与责任人
02
健康检查
把异常定位到服务、队列、依赖和任务
健康不只看进程是否存活，还要看队列积压、工具失败、模型响应、写回结果和租户级错误。
执行步骤
- 01
检查服务和依赖状态
- 02
检查队列、任务和重试
- 03
按租户和流程切分异常
- 04
触发告警与值班接管
验收证据健康探针与时间窗租户级错误与积压告警、接管和响应时间
03
变更闸门
每次发布都要知道改变了什么、如何回退
代码、策略、模型、提示词、工具和基础设施都走同一变更记录，先在目标拓扑验证再扩大范围。
执行步骤
- 01
生成变更清单与影响面
- 02
通过测试、评审和审批闸门
- 03
分批发布并观察错误预算
- 04
异常自动回退或停止扩散
验收证据版本、差异和审批灰度范围与健康结果回滚点与执行人
04
迁移与备份
数据迁移前后都要有可校验的状态
迁移不是一次脚本执行，而是备份、预演、校验、切换、回退和对账组成的可重复流程。
执行步骤
- 01
锁定快照与备份点
- 02
在影子环境预演迁移
- 03
校验数量、关系和索引
- 04
切换后保留回退窗口
验收证据备份版本与校验和迁移前后差异回退窗口与对账结果
05
故障与切换
故障处理按剧本推进，而不是临场猜测
告警触发后按影响范围、责任人、沟通、降级、切换和证据记录推进，避免扩大影响面。
执行步骤
- 01
确认影响与事件等级
- 02
冻结变更并指定指挥人
- 03
启用降级、限流或备用路径
- 04
按时间线记录决策和沟通
验收证据事件级别与影响范围指挥人、参与者和时间线切换结果与用户影响
06
恢复复核
服务恢复不等于业务恢复，必须做结果对账
恢复后核对任务、写回、审计和通知，确认没有重复执行、漏执行或证据断链。
执行步骤
- 01
恢复服务和依赖
- 02
重放或补偿未完成任务
- 03
核对业务结果与审计链
- 04
复盘并更新演练剧本
验收证据补偿任务与重复检查业务结果对账复盘行动项与截止日
