倒计时从四十七小时五十九分五十九秒开始往下走。
周衡没有立刻写代码。
他打开自己写的需求说明,在最上面敲了三个字:先做小。
他最初列了十六项:日志采集、指标监控、变更审计、告警聚合、值班排班、故障时间线、自动报告、容量预测……任何一项展开,都足够几个人做几个月。
四十八小时只能证明一件小事。
一个普通团队能不能在告警响起以后,把“什么时候出问题、之前改过什么、现在谁在处理”放进同一条时间线。
周衡把第一版范围砍到三项。
接收告警,登记变更,生成事件时间线。
不接生产数据库,不替用户执行操作,也不自动判断故障原因。它先做一个摆在桌边的记录员,把原本散在群聊、命令历史和人脑里的信息收拢起来。
需求说明完成时,倒计时还剩四十六小时二十一分。
周衡提交第一版文档,才开始搭框架。
他下单买了云主机和测试域名,一千元的账单实付九百零五元。新电脑跑得快,网络也稳,过去要花一上午搭建的测试环境,很快铺在了屏幕上。
上午十一点,第一个接收接口跑通。
他用一段公开测试脚本模拟服务器响应变慢。红色告警进入页面,带着发生时间、来源和摘要。紧接着,他登记一次版本发布,时间线便多出一条蓝色变更记录。
页面很粗,字体甚至没有对齐。
但两件原本互不相干的事第一次排在了一起。
周衡点了一下那条蓝色记录,发布和异常同时展开。他嘴角往上抬了抬,在清单的第一项后面打了勾。
下午,问题很快出现。
同一个告警源连续上报十次,页面便生成十个事件。用户如果真接入系统,遇到网络波动时,屏幕会在一分钟内被完全刷满。
最简单的办法是按内容去重,可两条文字一样的告警,未必属于同一次故障。全部合并会漏,全部保留又没有意义。
周衡没有追求一步判断正确。他给每个来源设置一个短时间窗口,窗口内相同特征的告警先归进同一事件,页面显示次数和持续时间;超过窗口后重新建事件。用户仍然能展开查看原始记录,不会因为聚合丢掉证据。
改完已经是晚上八点。
他煮了一碗面,端到桌边吃。屋里太安静,筷子碰到碗沿的声音都很清楚。过去这个时间,隔壁通常已经开了游戏语音。现在没有人催他戴耳机,也没有人从门外挤过来拿外卖。
周衡吃完,把碗洗了,继续写。
凌晨一点,倒计时还剩三十小时。
他接入变更记录时,遇到了比重复告警更麻烦的问题。
不同机器的时间并不完全一致。测试环境里一台虚拟机慢了四十七秒,结果页面显示“故障先发生,版本后发布”,实际顺序恰好相反。若把这样的时间线拿去复盘,只会让错误看起来更像证据。
周衡没有偷偷校正显示结果。他把接收时间与来源时间分开保存,页面明确提示时钟偏差;同一来源内部按序号排列,不同来源只给出可验证的先后范围。
两条记录终于排回了正确位置。周衡又换了三组数据,结果都对。
凌晨三点半,他关掉灯,在卧室的大床上睡了三个小时。
第二天早上,丁卓发来消息:“刚离职就失联,你不会真在写东西吧?”
周衡回了一张只截公开测试数据的页面。
丁卓隔了半分钟才回复:“像事故群聊天记录成精了。”
“哪里不好用?”
“没人会主动登记变更。真出事的时候,大家只想先救。”
周衡看着这句话,把原来藏在二级页面的变更入口挪到首页,又增加了一个最小接入方式:部署脚本结束后,只需向公开接口发送版本号、环境和操作者标识,便能自动留下一条记录。
丁卓又试了一次,发来一个竖拇指的表情:“这个顺手,省得我两边切。”
中午十二点,倒计时剩下十九小时。
页面能够建立事件,也能把告警与附近的变更排在一起。周衡开始做故障时间线的最后一环:确认。
告警发出来以后,如果没有人点开,它只是一个红点。有人接手,系统需要留下接手时间;有人做了操作,需要记下做了什么;恢复以后,还要分清是指标真的恢复,还是值班人为了清净手动关掉告警。
他做了三个简单按钮:接手、记录操作、标记恢复。
没有自动根因分析,也没有所谓智能建议。每个按钮都要求留下人和时间,操作内容可以后补,却不能无痕删除。

