可靠性路线图：新 SRE 团队的 90 天计划

公司成立了新的 SRE 团队？这里是我用过两次的 90 天计划。它之所以有效，是因为它在“快速展现价值”与“长期建设”之间取得了平衡。

第 1-14 天：观察

抵制住立刻改动的冲动。先观察现有系统、阅读已有的复盘报告、跟随值班、与工程师交谈，了解他们的痛点。

产出：按“每周损失的工程时间”排序的前 5 个可靠性问题清单。

第 15-30 天：快速获胜

从清单中挑选前 2 个问题并解决。让改动可见——在全公司工程大会上公布。

好的快速获胜：删除不稳定的告警、自动化重复的运行手册、修复人人抱怨的破损仪表盘。

差的快速获胜：重写部署流水线。范围太大，单做这件事就得 90 天。

产出：可见的可靠性改进 + 工程团队的信任。

第 31-60 天：打好基础

现在利用这份信任，引入那些“枯燥但必要”的工作：

• 为最重要的 3 个服务定义 SLO
• 搭建错误预算仪表盘
• 建立每周可靠性评审（10 分钟而非 1 小时）
• 编写事件响应运行手册模板

产出：工程团队可团结在身边的可衡量可靠性目标。

第 61-90 天：程序化变革

把可靠性工作转化为持续进行的项目：

• 带行动项追踪的复盘流程
• 每月苦力调查（本月工程师做了哪些本可自动化的工作？）
• 与领导层的季度可靠性评审
• 清晰的交接流程：何时将可靠性工作移交给产品工程团队？

产出：你休假时依然能正常运转的流程。

陷阱

“没关系，第一周就能全部做完。” 你做不到。凡是这么尝试的团队，最后都精疲力尽或招致怨恨。90 天是最低要求，更长很正常。

真正的目标

到第 91 天，工程团队应该能用一句话描述你们团队的价值。如果做不到，说明这 90 天做错了事。

---

作者：Samson Tanimawo 博士
BSc · MSc · MBA · PhD
Nova AI Ops 创始人兼 CEO。https://novaaiops.com