<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>生产排查 Skill 诞生记 on 吕炘嵘的博客</title>
    <link>https://blog.lvxinrong.com/incident-skill/</link>
    <description>Recent content in 生产排查 Skill 诞生记 on 吕炘嵘的博客</description>
    <image>
      <title>吕炘嵘的博客</title>
      <url>https://blog.lvxinrong.com/og-default.jpg</url>
      
      <link>https://blog.lvxinrong.com/incident-skill/</link>
    </image>
    <generator>Hugo</generator>
    <language>zh-CN</language>
    <lastBuildDate>Thu, 15 Oct 2026 18:30:00 +0800</lastBuildDate>
    <atom:link href="https://blog.lvxinrong.com/incident-skill/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>生产排查 Skill 深解：不教 AI 排查，只给它现场和纪律</title>
      <link>https://blog.lvxinrong.com/incident-skill/introduction/</link>
      <pubDate>Thu, 15 Oct 2026 18:30:00 +0800</pubDate>
      <guid>https://blog.lvxinrong.com/incident-skill/introduction/</guid>
      <description>这套 Skill 里没有一句话教 AI 怎么排查生产问题。本文直接读源码：11 个脚本如何把「环境就绪」做成门禁，白名单如何把「只读」做成结构，210 行输出规范如何把「不许糊弄」写成清单。</description>
      <content:encoded><![CDATA[<p>这套 Skill 有 187 行指令、11 个脚本、4 份规范文档。翻遍整个仓库，<strong>你不会找到一句话教 AI「怎么排查生产问题」</strong>——没有「第一步查日志、第二步看监控」，没有根因树，没有决策表。</p>
<p>它只有三样东西：<strong>现场、边界、验收</strong>。这篇不谈理念，直接读源码，看这三样东西是怎么长成的。</p>
<pre tabindex="0"><code>                 一起事故进来
                      │
        ┌─────────────┴─────────────┐
        │  ① 环境就绪：门禁不通过，不许开查  │
        │  check-environment.sh 状态机     │
        │  源码新鲜度 await-freshness.sh  │
        └─────────────┬─────────────┘
                      ▼
        ┌─────────────────────────┐
        │  ② 过程自由：AI 自己决定怎么查    │
        │  不规定顺序、不规定工具、不规定框架  │
        │  （但所有云端调用必须走只读包装脚本）│
        └─────────────┬───────────┘
                      ▼
        ┌─────────────────────────┐
        │  ③ 输出契约：20 条质量检查      │
        │  incident-analysis-output.md │
        │  结论卡 + 证据链 + 状态分级      │
        └─────────────────────────┘
</code></pre><h2 id="一环境就绪装了和能用是两回事">一、环境就绪：「装了」和「能用」是两回事</h2>
<p>AI 排查失败的头号原因不是模型不行，是现场不行：日志没配、源码是旧的、图谱没索引。而模型面对残缺现场时不会说「我查不了」，它会直接开编。所以 Skill 把环境做成<strong>强制门禁</strong>。</p>
<h3 id="1-一次检查全部状态摆出来">1. 一次检查，全部状态摆出来</h3>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl">scripts/check-environment.sh
</span></span></code></pre></div><p>这个脚本不是检查「命令存在」，而是<strong>真的去读一次</strong>：SLS 实际读取、ARMS 实际读取、本地源码同步状态、全部托管仓库的索引状态。最后汇总只有两种结果：</p>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>汇总状态</th>
        <th>含义</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td><code>ENVIRONMENT_CHECK_READY</code></td>
        <td>全部必选能力实际可用，且无刷新进行中</td>
      </tr>
      <tr>
        <td><code>ENVIRONMENT_CHECK_PARTIAL</code></td>
        <td>至少一项未就绪，按状态逐项修复后重查</td>
      </tr>
    </tbody>
  </table>
</div>
<p>关键在于<strong>状态必须分层</strong>，因为「部分就绪」最容易被 AI 说成「一切正常」：</p>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>状态</th>
        <th>真实含义</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td><code>CODEBASE_MEMORY_LOCAL_READY</code></td>
        <td>只是本地程序装好了。<strong>不代表</strong>会话里有 MCP 工具，<strong>不代表</strong>相关仓库有索引</td>
      </tr>
      <tr>
        <td><code>CODEBASE_MEMORY_RESTART_REQUIRED</code></td>
        <td>配置写入了，但当前会话没加载，需要重启 Agent</td>
      </tr>
      <tr>
        <td><code>CODEBASE_MEMORY_READY</code></td>
        <td>全部托管仓库索引存在，<strong>且与当前源码 Commit 一致</strong></td>
      </tr>
      <tr>
        <td><code>SOURCE_REFRESH_IN_PROGRESS</code></td>
        <td>源码正在刷新，<strong>禁止读源码、禁止调图谱</strong></td>
      </tr>
    </tbody>
  </table>
</div>
<p>注意 <code>LOCAL_READY</code> 和 <code>READY</code> 的天壤之别：一个是「装了」，一个是「能用」。所以 SKILL.md 里还有一条硬性规定：</p>
<blockquote>
<p>Shell 脚本无法证明当前 Agent 会话已经加载 MCP 工具。脚本返回 <code>ENVIRONMENT_CHECK_READY</code> 后，<strong>Agent 必须在当前会话调用一次 <code>list_projects</code></strong>；调用不可用时，将最终环境状态覆盖为 <code>CODEBASE_MEMORY_RESTART_REQUIRED</code> 和 <code>ENVIRONMENT_CHECK_PARTIAL</code>，不得声称代码图谱可用。</p>
</blockquote>
<p><strong>环境验证以「真的调了一次」为准，不以「理论上应该有」为准。</strong></p>
<h3 id="2-源码新鲜度一个-marker-文件实现的读写锁">2. 源码新鲜度：一个 marker 文件实现的读写锁</h3>
<p>生产事故最常见的弯路，是拿最新代码分析旧事故。Skill 的对策是「先刷新，再准入」：</p>
<ul>
<li>排查开始：<code>refresh-sources.sh</code> <strong>后台</strong>全量对齐 70 多个仓库和图谱索引，不阻塞其他证据收集，同时写入 <code>source-refresh-in-progress</code> 标记文件</li>
<li>读取源码前：必须过 <code>await-freshness.sh</code> 这道门禁，拿到 <code>SOURCE_FRESHNESS_READY</code> 才放行</li>
</ul>
<p>这个门禁脚本不到 100 行，但有一个我很喜欢的细节——<strong>它会识别「刷新进程已经死了、但标记还残留」的僵死状态</strong>：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl"><span class="k">while</span> <span class="o">[</span> -f <span class="s2">&#34;</span><span class="nv">$MARKER_FILE</span><span class="s2">&#34;</span> <span class="o">]</span><span class="p">;</span> <span class="k">do</span>
</span></span><span class="line"><span class="cl">    <span class="nv">running_pid</span><span class="o">=</span><span class="s2">&#34;</span><span class="k">$(</span>awk -F <span class="s1">&#39;\t&#39;</span> <span class="s1">&#39;{print $1; exit}&#39;</span> <span class="s2">&#34;</span><span class="nv">$MARKER_FILE</span><span class="s2">&#34;</span><span class="k">)</span><span class="s2">&#34;</span>
</span></span><span class="line"><span class="cl">    <span class="k">if</span> <span class="o">[</span> -z <span class="s2">&#34;</span><span class="nv">$running_pid</span><span class="s2">&#34;</span> <span class="o">]</span> <span class="o">||</span> ! <span class="nb">kill</span> -0 <span class="s2">&#34;</span><span class="nv">$running_pid</span><span class="s2">&#34;</span> 2&gt;/dev/null<span class="p">;</span> <span class="k">then</span>
</span></span><span class="line"><span class="cl">        rm -f <span class="s2">&#34;</span><span class="nv">$MARKER_FILE</span><span class="s2">&#34;</span>
</span></span><span class="line"><span class="cl">        <span class="nb">printf</span> <span class="s1">&#39;%s\n&#39;</span> <span class="s1">&#39;SOURCE_REFRESH_STALE: refresh process is gone; rerun scripts/refresh-sources.sh&#39;</span> &gt;<span class="p">&amp;</span><span class="m">2</span>
</span></span><span class="line"><span class="cl">        <span class="nb">exit</span> <span class="m">1</span>
</span></span><span class="line"><span class="cl">    <span class="k">fi</span>
</span></span><span class="line"><span class="cl">    sleep <span class="m">2</span>
</span></span><span class="line"><span class="cl"><span class="k">done</span>
</span></span></code></pre></div><p>标记文件里存着刷新进程的 PID，门禁用 <code>kill -0</code> 探活：进程还在就等，进程死了清掉残留标记、报 <code>SOURCE_REFRESH_STALE</code> 要求重跑。<strong>没有数据库、没有消息队列，一个文件加一个 PID，就是一套可读写的状态机。</strong></p>
<p>刷新完成后，各仓库当时的 <strong>HEAD Commit 就是本次排查的源码基线</strong>，排查期间不再二次刷新。报告里每个仓库都要记录精确 Commit；对齐不了事故版本时，必须写：</p>
<blockquote>
<p>当前源码已检查，事故版本尚未确认。</p>
</blockquote>
<p>「我查过源码」和「我查过<strong>那个版本</strong>的源码」，是两份完全不同的证据。</p>
<h2 id="二只读不靠嘱咐靠结构">二、只读：不靠「嘱咐」，靠「结构」</h2>
<p>让 AI 碰生产，我最担心的不是它查得慢，是<strong>它顺手做点什么</strong>。提示词里写「请不要修改生产数据」是一句废话，只读必须长在结构里。</p>
<h3 id="1-最内层拒绝一切环境覆盖">1. 最内层：拒绝一切环境覆盖</h3>
<p>所有云端调用最后都汇聚到 <code>aliyun-prod.sh</code>，它只有 35 行，但每一行都在挡人：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl"><span class="k">for</span> argument in <span class="s2">&#34;</span><span class="nv">$@</span><span class="s2">&#34;</span><span class="p">;</span> <span class="k">do</span>
</span></span><span class="line"><span class="cl">  <span class="k">case</span> <span class="s2">&#34;</span><span class="nv">$argument</span><span class="s2">&#34;</span> in
</span></span><span class="line"><span class="cl">    --profile<span class="p">|</span>--profile<span class="o">=</span>*<span class="p">|</span>--mode<span class="p">|</span>--mode<span class="o">=</span>*<span class="p">|</span>--region<span class="p">|</span>--region<span class="o">=</span>* <span class="se">\
</span></span></span><span class="line"><span class="cl">    <span class="p">|</span>--access-key-id<span class="p">|</span>--access-key-id<span class="o">=</span>*<span class="p">|</span>--access-key-secret<span class="p">|</span>--access-key-secret<span class="o">=</span>*<span class="p">|</span>--sts-token<span class="p">|</span>--sts-token<span class="o">=</span>*<span class="o">)</span>
</span></span><span class="line"><span class="cl">      <span class="nb">printf</span> <span class="s1">&#39;ALIYUN_ENV_INVALID: forbidden production credential override: %s\n&#39;</span> <span class="s2">&#34;</span><span class="nv">$argument</span><span class="s2">&#34;</span> &gt;<span class="p">&amp;</span><span class="m">2</span>
</span></span><span class="line"><span class="cl">      <span class="nb">exit</span> <span class="m">2</span>
</span></span><span class="line"><span class="cl">      <span class="p">;;</span>
</span></span><span class="line"><span class="cl">  <span class="k">esac</span>
</span></span><span class="line"><span class="cl"><span class="k">done</span>
</span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl"><span class="nb">export</span> <span class="nv">ALIBABA_CLOUD_IGNORE_PROFILE</span><span class="o">=</span><span class="s1">&#39;TRUE&#39;</span>
</span></span><span class="line"><span class="cl"><span class="nb">exec</span> aliyun <span class="s2">&#34;</span><span class="nv">$@</span><span class="s2">&#34;</span>
</span></span></code></pre></div><p>两层防护：<strong>参数层面</strong>，任何 profile、region、ak/sk、token 的覆盖直接退出；<strong>环境层面</strong>，<code>ALIBABA_CLOUD_IGNORE_PROFILE='TRUE'</code> 让 CLI 彻底忽略本机其他 profile——这台机器上就算还配着别人的高权限账号，也轮不到它上场。Skill 的阿里云配置是独立目录里单独一份，用的是架构专门开的只读账号，<strong>不碰用户日常那把什么都能干的钥匙</strong>。</p>
<h3 id="2-中间层api-白名单">2. 中间层：API 白名单</h3>
<p><code>aliyun-arms.sh</code> 在调用前把 API 名放进 <code>case</code> 里过一遍：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-bash" data-lang="bash"><span class="line"><span class="cl"><span class="k">case</span> <span class="s2">&#34;</span><span class="nv">$OPERATION</span><span class="s2">&#34;</span> in
</span></span><span class="line"><span class="cl">  ListTraceApps<span class="p">|</span>SearchTraceAppByName<span class="p">|</span>SearchTraceAppByPage<span class="p">|</span>SearchTraces<span class="p">|</span>SearchTracesByPage<span class="p">|</span>GetTrace<span class="p">|</span>GetMultipleTrace<span class="p">|</span>GetStack<span class="p">|</span>GetTraceApp<span class="p">|</span>GetAppApiByPage<span class="p">|</span>GetAppJVMConfig<span class="p">|</span>QueryAppTopology<span class="o">)</span>
</span></span><span class="line"><span class="cl">    <span class="nv">INJECT_REGION</span><span class="o">=</span><span class="s1">&#39;true&#39;</span>
</span></span><span class="line"><span class="cl">    <span class="p">;;</span>
</span></span><span class="line"><span class="cl">  GetTraceAppConfig<span class="p">|</span>QueryMetricByPage<span class="o">)</span>
</span></span><span class="line"><span class="cl">    <span class="nv">INJECT_REGION</span><span class="o">=</span><span class="s1">&#39;false&#39;</span>
</span></span><span class="line"><span class="cl">    <span class="p">;;</span>
</span></span><span class="line"><span class="cl">  *<span class="o">)</span>
</span></span><span class="line"><span class="cl">    <span class="nb">printf</span> <span class="s1">&#39;ARMS_READ_OPERATION_NOT_ALLOWED: %s\n&#39;</span> <span class="s2">&#34;</span><span class="nv">$OPERATION</span><span class="s2">&#34;</span> &gt;<span class="p">&amp;</span><span class="m">2</span>
</span></span><span class="line"><span class="cl">    <span class="nb">exit</span> <span class="m">2</span>
</span></span><span class="line"><span class="cl">    <span class="p">;;</span>
</span></span><span class="line"><span class="cl"><span class="k">esac</span>
</span></span></code></pre></div><p><strong>不在名单里的 API，根本到不了云端。</strong> ARMS 的写操作、管理操作不是「被警告」，是「不存在」。SLS 那边同理，<code>--project</code>、<code>--endpoint</code> 出现在参数里就直接报错——想临时换个环境查一下？参数层面就不允许。</p>
<p>这就是我说的：<strong>让「只读」成为默认路径，让「能写」成为不存在的路径。</strong></p>
<h3 id="3-数据库fail-closed宁可不查">3. 数据库：fail closed，宁可不查</h3>
<p>数据库是可选能力，闸门最严。<code>dbx-readonly-policy.md</code> 立了三道闸：</p>
<p><strong>工具面</strong>：只许出现 <code>dbx_list_connections</code>、<code>dbx_list_tables</code>、<code>dbx_describe_table</code>、<code>dbx_get_schema_context</code>、<code>dbx_execute_query</code> 这几个查询工具。只要发现任何连接管理、数据修改、DDL、导入导出工具，立即报 <code>DBX_PERMISSION_SCOPE_INVALID</code> 并停止全部 DBX 调用。</p>
<p><strong>SQL 面</strong>：只接受 <code>SELECT</code> / <code>SHOW</code> / <code>DESCRIBE</code> / <code>EXPLAIN</code> 开头的单条语句，其他前缀一律拒绝，禁止 <code>SELECT *</code>，返回最多 100 行，大表先 EXPLAIN，<strong>禁止 <code>EXPLAIN ANALYZE</code></strong>（它会真的执行查询，可能造成负载）。</p>
<p><strong>最硬的一条</strong>：</p>
<blockquote>
<p>Never test permissions by attempting a write, even inside a transaction or rollback.</p>
</blockquote>
<p><strong>不许用「试写一下再回滚」来验证权限</strong>——验证权限这件事本身就可能造成事故。权限不明，就不查；数据库证据没拿到，报告里就写「未纳入」，其他证据继续，但不许把数据库假设写成根因。这就是 fail closed：任何一环存疑，闸门自动落下。</p>
<h2 id="三过程自由为什么不教排查">三、过程自由：为什么不教排查</h2>
<p>刚做这套东西时，我也想过把排查流程写细：先查 SLS，再拉 Trace，再定位服务，再翻代码。真写下去就会发现这条路是死的——<strong>每起事故都是新的</strong>。一次资源耗尽和一次证书失效，证据的位置、查询的顺序完全不同。把流程写死，轻则让 AI 做无用功，重则它在「第一步」找不到证据时，硬编一个答案交差。</p>
<p>所以 SKILL.md 里只有一句原则：</p>
<blockquote>
<p>本 Skill 只提供现场、工具和必要的安全约束。Agent 可以根据具体事故自主决定排查思路、工具组合和证据顺序。</p>
</blockquote>
<p>甚至「不要因为某项工具可用，就强制 Agent 使用该工具」也写进去了——代码图谱好用，但不许为了形式完整强行拿它下结论。<strong>过程自由，契约刚性。</strong></p>
<h2 id="四输出契约210-行规范只干一件事不许糊弄">四、输出契约：210 行规范，只干一件事——不许糊弄</h2>
<p>最后交出来的报告，必须过 <code>incident-analysis-output.md</code>。这份规范是整套 Skill 里我最得意的部分，它不管你怎么查，只管你怎么说。</p>
<h3 id="1-结论状态只有四种没有80-确定">1. 结论状态只有四种，没有「80% 确定」</h3>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>状态</th>
        <th>判定标准</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td><code>已确认</code></td>
        <td>直接证据闭合关键因果链，且无冲突证据</td>
      </tr>
      <tr>
        <td><code>高置信</code></td>
        <td>多个独立证据一致支持，只剩非关键环节未直接验证</td>
      </tr>
      <tr>
        <td><code>待验证</code></td>
        <td>有可检验的假设，关键环节还没证据</td>
      </tr>
      <tr>
        <td><code>证据不足</code></td>
        <td>撑不起可靠判断，或关键数据源不可用</td>
      </tr>
    </tbody>
  </table>
</div>
<p>规范明确禁止「缺乏依据的百分比置信度」——「80% 确定」是把证据缺口包装成数字。还有一条很狠的：<strong>总体状态不得高于最弱的关键环节</strong>。「服务端链路已确认、端到端根因待验证」必须分开写，下游查清不等于整件事查清。</p>
<p>对「死锁、行锁等待、内存溢出」这类机制级判断，只有日志、Trace、监控<strong>直接呈现</strong>该机制时才能标「已确认」；时间顺序和源码语义都吻合但没直接证据，只能是「高置信」。<strong>推测出来的机制，不能享受目击者的待遇。</strong></p>
<h3 id="2-原因分四层不许一个根本原因包打天下">2. 原因分四层，不许一个「根本原因」包打天下</h3>
<p>举个通用例子：用户看到「下单接口大面积超时」。</p>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>层级</th>
        <th>定义</th>
        <th>例子里分别是什么</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>直接原因</td>
        <td>直接导致告警的系统行为</td>
        <td>数据库连接池耗尽，请求排队超时</td>
      </tr>
      <tr>
        <td>上游触发</td>
        <td>让直接原因成立的条件</td>
        <td>全量分析任务与高峰期业务查询叠加，打满数据库 CPU</td>
      </tr>
      <tr>
        <td>缺陷或放大因素</td>
        <td>没拦住异常的缺陷</td>
        <td>分析库与业务库没有隔离、没有限流降级</td>
      </tr>
      <tr>
        <td>最终根因</td>
        <td>异常最初为什么产生</td>
        <td>待验证：为什么全量任务被安排在业务高峰期？</td>
      </tr>
    </tbody>
  </table>
</div>
<p><strong>保护性校验缺失，不等于异常最初产生的原因。</strong> 没有隔离是「放大因素」，不是「最终根因」——把这两层混写，复盘就会停在「加个限流」而不是「改掉调度」。</p>
<h3 id="3-事故结论卡第一屏就能独立阅读">3. 事故结论卡：第一屏就能独立阅读</h3>
<p>所有阶段性结论和最终报告，都必须先给这张卡：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-markdown" data-lang="markdown"><span class="line"><span class="cl"><span class="gu">## 事故结论
</span></span></span><span class="line"><span class="cl">
</span></span><span class="line"><span class="cl"><span class="k">-</span> 结论状态：已确认 / 高置信 / 待验证 / 证据不足
</span></span><span class="line"><span class="cl"><span class="k">-</span> 已确认范围：已经闭合的因果链或结论对象
</span></span><span class="line"><span class="cl"><span class="k">-</span> 未确认范围：尚缺证据的关键环节；无则写「无」
</span></span><span class="line"><span class="cl"><span class="k">-</span> 故障应用：
</span></span><span class="line"><span class="cl"><span class="k">-</span> 发生时间：
</span></span><span class="line"><span class="cl"><span class="k">-</span> 用户现象：
</span></span><span class="line"><span class="cl"><span class="k">-</span> 影响范围：已确认范围及其查询窗口/数据源边界；未确认范围
</span></span><span class="line"><span class="cl"><span class="k">-</span> 原因摘要：无法确认时写「未确认」，并给出当前最重要的证据缺口
</span></span><span class="line"><span class="cl"><span class="k">-</span> 故障位置：仓库 / Commit / 文件 / 符号 / 行号；未定位时写「未定位」
</span></span><span class="line"><span class="cl"><span class="k">-</span> 处置状态：未执行 / 处理中 / 已执行
</span></span><span class="line"><span class="cl"><span class="k">-</span> 下一步：只列当前最有价值的验证或处置动作
</span></span></code></pre></div><p>注意两个细节：<strong>「未确认」是合法答案</strong>——模板允许空着，不许编；<strong>「处置状态」只能依据用户或外部系统的明确反馈填写</strong>——AI 不许把「我建议修复」写成「已修复」。</p>
<h3 id="4-证据表事实和判断分开放">4. 证据表：事实和判断分开放</h3>
<p>完整报告里的关键证据表长这样：</p>
<div class="table-scroll" tabindex="0" role="region" aria-label="表格，可横向滚动">
  <table>
    <thead>
      <tr>
        <th>编号</th>
        <th>类型</th>
        <th>来源与定位</th>
        <th>客观事实</th>
        <th>支持的判断</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>E1</td>
        <td>SLS</td>
        <td>Project / Logstore / 时间窗 / traceId</td>
        <td>14:03:21 起连续出现连接超时</td>
        <td>异常起始时间不晚于 14:03</td>
      </tr>
      <tr>
        <td>E2</td>
        <td>源码</td>
        <td>仓库 / Commit / 文件 / 行号</td>
        <td>该接口未设置查询超时上限</td>
        <td>推断：慢查询可无限占用连接</td>
      </tr>
    </tbody>
  </table>
</div>
<p>「客观事实」列只写直接观测，「支持的判断」列写能推出什么。<strong>时间相关性不能写成因果，源码语义不能写成线上事实，用户描述不能写成系统事实。</strong></p>
<p>还有一条几乎是为 AI 复盘量身定制的：<strong>所有否定性、穷尽性判断，都必须带查询边界</strong>。「无其他影响」「未发现异常」「全部正常」——必须附上哪个数据源、哪个应用、哪个时间窗口。<strong>「查询窗口内未检出」不等于「整个生产不存在」。</strong></p>
<h3 id="5-质量检查20-条不许">5. 质量检查：20 条「不许」</h3>
<p>规范最后是一份 checklist，输出前逐条过。随手摘几条：</p>
<ul>
<li>没有把工具调用成功，等同于根因已经确认</li>
<li>没有把「尚未检查」写成「源码未纳入」</li>
<li>没有使用「已自愈」「无残留」「数据正常」等没有当前状态证据的表述</li>
<li>没有把建议描述为已经执行</li>
<li>本地最新源码无法与事故版本对齐时，没有把当前源码行为直接当作线上事实</li>
<li>没有泄露凭据、私钥、Token 或数据库连接密钥</li>
</ul>
<p><strong>它约束的不是能力，是诚实。</strong></p>
<h2 id="五这套-skill-真正固化的是什么">五、这套 Skill 真正固化的是什么</h2>
<p>回到开头：不写排查流程，那这套 Skill 的价值在哪？</p>
<p><strong>它固化的不是方法，是纪律。</strong></p>
<p>方法属于 AI——它比人更会在几十个服务、几千条日志里找关联，固化流程反而是束缚。但纪律必须属于工程：现场不齐不许开查、只读路径不许绕过、没有证据不许下结论、结论不全不许写「已确认」。</p>
<blockquote>
<p><strong>过程自由，环境可复现，权限只读，结论可审计。</strong></p>
</blockquote>
<p>一个 Agent 聪不聪明，决定它排查的上限；这套纪律在不在，决定它排查的下限。<strong>上限给老板看，下限才给生产用。</strong></p>
<hr>
<blockquote>
<p>系列说明：本文是「生产排查 Skill 诞生记」系列导读。后续章节会逐篇展开：四维证据源怎么接、代码图谱怎么建、只读门禁怎么实现、以及一次真实事故的完整排查回放。</p>
</blockquote>
]]></content:encoded>
    </item>
  </channel>
</rss>
