很多人以为「服务稳不稳」是一个玄学问题,其实拆开就是四件很土的事:按时巡检、分级响应、固定窗口、把结果写出来。下面四项就是我们每天在做的全部工作,没有任何一项需要用户参与,也不需要你在应用商店写差评才会被看到。
每天 08:00 和 20:00,值班工程师会串行跑一遍 137 个探针:从登录、搜索、播放首帧到支付回调,全都要走通。单次巡检耗时约 11 分钟,任何一条失败会在 3 分钟内自动生成工单并推给当班人,不用等用户先来反馈。
P1 全站不可用,5 分钟内有人接手;P2 影响播放或支付,15 分钟;P3 属于单一片源失效、字幕错位这类,2 小时内处理完;P4 是体验建议,1 个工作日内答复。分级标准公开写在文档里,不随当天人手多少临时改口径。
例行维护固定在每周三 03:00–04:00,先灰度 15 分钟只放 5% 流量观察,再全量跑 45 分钟。窗口会提前 48 小时在状态页公示。过去 12 个月共 52 个窗口,其中 3 次超时,最长的一次多花了 22 分钟。
故障发生 10 分钟内,状态页会发出第一条公告,之后每 15 分钟同步一次进度,恢复后再补一篇复盘。公告只写三样东西:影响范围、当前进度、下一次更新时间。我们不写「正在紧急处理中」这种没有信息量的句子。
以下四个数字取自 2024 年 1 月至 12 月的运维台账,是已经发生的结果,不是年初立下的目标。
说明:99.87% 折算下来,一年中不可用时间约为 11 小时 24 分。这个数字里已经包含了维护窗口之外的意外故障,维护窗口本身不计入可用率。
下面三条评价都来自在使用中真实撞上过故障的用户,我们只做了时间线核对,没有润色措辞。里面有抱怨,也保留了他们不满意的地方。
去年 11 月某个周六凌晨一点半,全站打不开。我在状态页看到 01:32 发的第一条公告,01:37 更新说定位到证书过期,01:58 宣布恢复。全程 26 分钟,公告改了 4 次。这个速度谈不上惊艳,但每一步我都能自己看到,比我预想的强。
2 月 14 号晚上八点多,卡了大概 40 分钟。App 里弹了条提示,说某几个片源节点有问题,建议先看已缓存的。我刚好有缓存,就接着看了。槽点是那条提示关不掉,一直挂在顶部挡住按钮,恢复之后还得手动重启一次才消失。
我主要用平板看,去年 9 月碰上字幕比画面慢半秒,报给客服。按他们的分级这算 P3,承诺 2 小时内处理,实际 1 小时 20 分钟就修好了。真正麻烦的是我另一台老安卓,修完之后还得手动清一次缓存才更新到新字幕,这点体验不好。
这几个问题都来自用户工单里问得最多的部分,也是我们在页面上没交代完的细节。答案写得比较具体,可能有点啰嗦。