11.4.1 问题识别：故障现象与影响范围

一句话破题

复盘的第一步是准确描述发生了什么——不是"系统挂了"，而是"用户无法登录，持续30分钟，影响1000用户"。

核心价值

准确识别问题能让你：

• 聚焦真正的问题，而不是表面现象
• 量化影响，确定优先级
• 为后续分析提供清晰的起点

问题描述的 5W1H

要素	问题	示例
What	发生了什么？	用户无法登录
When	什么时候发生的？	2024-01-15 10:00-10:30
Where	在哪里发生的？	生产环境、登录页面
Who	谁受到了影响？	所有尝试登录的用户
How	如何表现的？	登录按钮点击后一直loading
How much	影响多大？	约1000次登录尝试失败

影响范围评估

用户影响

// 从日志或监控中提取影响数据
const impactMetrics = {
  affectedUsers: 1000,           // 受影响用户数
  failedRequests: 5000,          // 失败请求数
  errorRate: 0.15,               // 错误率 15%
  duration: '30 minutes',        // 持续时间
  revenueImpact: '$10,000',      // 收入影响（如适用）
}

严重程度分级

级别	定义	响应时间
P0	核心功能完全不可用	立即响应
P1	核心功能部分不可用	1小时内
P2	非核心功能受影响	4小时内
P3	体验问题，不影响功能	1天内

时间线记录

## 事件时间线

| 时间 | 事件 | 发现方式 |
|------|------|----------|
| 10:00 | 错误率开始上升 | 监控告警 |
| 10:05 | 用户反馈无法登录 | 客服工单 |
| 10:08 | 值班人员确认问题 | 手动验证 |
| 10:10 | 开始排查 | - |
| 10:20 | 定位到数据库连接问题 | 日志分析 |
| 10:25 | 执行紧急修复 | - |
| 10:30 | 服务恢复正常 | 监控确认 |

问题识别检查清单

□ 问题描述是否清晰、具体？
□ 是否有准确的时间范围？
□ 是否量化了影响范围？
□ 是否确定了严重程度？
□ 是否记录了完整的时间线？
□ 是否保留了相关日志和截图？

常见错误

错误描述	正确描述
"系统挂了"	"登录服务返回 500 错误"
"很多用户受影响"	"约 1000 名用户无法登录"
"持续了一段时间"	"持续 30 分钟（10:00-10:30）"

避坑指南

新手最容易犯的错

1. 描述太模糊，无法定位问题
2. 只关注技术现象，忽略业务影响
3. 没有保留现场日志和截图
4. 时间线记录不完整