前一篇討論「告警不是越多越安全：從訊號到可行動告警」，這篇聚焦「寫一份真的能用的 AI 平台 Postmortem」，並沿用同一組輸入、環境與判讀規則，避免只做名詞比較。

今天要回答的問題

用無責式 postmortem 結構整理事故：影響、時間線、根因、促成因素、偵測缺口、修復與預防。

工程邊界

故障演練的目的不是證明系統會壞，而是驗證組織會不會恢復

一次有效的 Game Day 應先寫假設：如果某個服務／GPU／磁碟／DB 出問題，哪個監控會先看到、誰要做什麼、恢復目標是多少。演練後以時間線整理 detection、triage、mitigation、recovery 與 follow-up。

Postmortem 不應找一個人背鍋，而是找系統條件：為什麼單點失效能擴散、為什麼告警太晚、為什麼 runbook 不足，以及下一次要增加什麼防護。

一個可以直接重現的起點

今天的實作原則

驗證時先固定環境與輸入，每次只改一個變因，並同時記錄操作方法與判定標準。

用資料結構整理事故時間線

先把「用既有失敗注入紀錄寫出時間線與修正追蹤」需要固定的輸入、版本與環境集中在同一份小型測試計畫；函式名稱代表實際工具。

plan = {
    "change": '用既有失敗注入紀錄寫出時間線與修正追蹤',
    "fixed": ("input", "version", "environment"),
    "metrics": ('impact', 'detection', 'mitigation', 'recovery', 'action owner'),
}
for round_no in range(1, 4):
    sample = run_once(plan)  # 接上實際壓測或維運工具
    save_sample(round_no, sample)

驗證與落地方式

驗證可從「用既有失敗注入紀錄寫出時間線與修正追蹤」開始。先以未施加變更的狀態建立 baseline，再執行目標條件，最後確認服務能回到穩定狀態。三個階段使用相同輸入與觀察時間窗，可降低 warm-up、cache 與背景工作造成的誤判。若測試包含故障或資源壓力，應限定在隔離環境，事先設定停止條件與復原方式。

觀察資料要同時涵蓋使用者體感、服務行為與主機資源。這篇優先比較：impact、detection、mitigation、recovery、action owner。單看資源使用率無法代表服務健康；吞吐提高也可能伴隨排隊、錯誤率或尾端延遲惡化。至少重複三輪並保留每輪條件，才能區分穩定趨勢與偶發尖峰。

常見誤判

• 只看平均值，忽略 P95、錯誤率與恢復時間，容易低估少數使用者遇到的嚴重延遲。
• 同時更換模型、參數、資料與基礎設施，數字即使改善，也無法判斷真正原因。
• 只驗證正常路徑，沒有測試容量邊界、依賴失效與復原流程，上線後仍可能在第一個異常點失守。

上線前檢查

確認監控能回答「何時開始、影響多大、哪一層先異常」，並為超時、容量與復原設定可操作門檻。所有門檻都應對應負責人與處置方式；無法觸發行動的數字只適合分析，不適合作為告警。

如何閱讀結果

結果可分成使用者影響、服務訊號與資源訊號三層閱讀。先確認錯誤率與延遲是否超出承諾，再沿時間線追查 queue、依賴與主機資源。若只有 GPU 或 CPU 使用率改變，但使用者指標沒有同步變化，只能視為線索，不能直接宣告根因。

單次測試適合發現風險，不足以證明長期容量。正式採用前還要加入較長時間的穩定性測試與版本回歸，確認重新啟動、流量波動及依賴短暫異常不會改變原本結論。

結果判讀

判讀不只看最大或最漂亮的數字。這一天真正要回答的是：區分根因、促成因素與待驗證修正。

如果核心指標改善，但錯誤率、尾端延遲、資源成本或恢復能力變差，這代表取捨，而不是無條件進步。相反地，沒有改善也不是無效結果；至少能排除一條看似合理、實際上不值得增加複雜度的路。

今天的結論

今天的工程判斷是：區分根因、促成因素與待驗證修正。無論結果支持或否定原本假設，都必須保留完整條件，才能和下一天的實驗串在一起。

下一篇將處理：容量規劃：下一個使用者來之前要先知道什麼。

參考資料

• Google SRE Book
• Prometheus Documentation
• vLLM Documentation
• PostgreSQL Backup and Restore