事故复盘写作

依据 Google SRE Workbook「附录 C - Results of Postmortem Analysis」，说明为何需在组织内统一事故的「触发维度」与「根因类目」两组标签：附录基于大量历史复盘样本列出常见 outage 触发因素占比——如二进制推送约 37%、配置推送约 31%，以及用户行为、管线、提供商变更、性能衰退、容量、硬件等分项；并就根因给出软件缺陷约 41.35%、研发流程失效约 20.23%、复杂系统行为约 16.90%、部署计划约 6.74%、网络故障约 2.75%等分布（均为附录所述统计区间内的汇总）。落地时应沿用其分类颗粒度并结合自身事故库重算权重，而非照搬数字。

先把一小部分流量打到新构建，看错误预算与延迟，再扩面或回滚；Agent 动发布链路时，意外也更可控。

在标准化 AI 编码栈前核查：SCM 状态页 incident、主备 Agent（Copilot/Cursor/Claude Code 等）、Braintrust 等 tracing 基线，以及托管与 Agent API 双故障演练；引用公开计费与 outage 报道。