没被检查过的运维，通常只在出事时被检查。
一、年底他答不出三个问题
十二月底，庄叙想给这一年做个总结。他打开文档，写下三个问题：过去一年可用性多少？最长的一次故障多久？今年为运维花了多少小时？
三个问题他都答不上来。日志散在三个服务里，事故记录只有聊天截图，时间投入从来没有记过。
以下情境为教学假设，人物、引语和数字不代表经核实的真实案例。
验收不是打分，是能回答问题。 分数只是把答案压缩成一个数字，方便比较季度变化。
答不上来就是不合格。 三个问题里任何一个没有数字，说明对应的账根本没记；先补账，再谈分数。
运维的验收对象是控制，不是结果。 可用性有运气成分；探针、告警、复盘这些控制做到位，结果才可重复。
二、十项控制
十项控制覆盖从发现到恢复的全链路。
| # | 控制 | 证据 | 频率 |
|---|---|---|---|
| 1 | 五条关键路径探针 | 探针列表与近 30 天成功率 | 持续 |
| 2 | 三级告警与持续时间条件 | 告警配置与上月误报率 | 每周清理 |
| 3 | 结构化日志与请求 ID | 一条可串联的请求记录 | 持续 |
| 4 | 状态页与三条公告模板 | 状态页地址与模板原文 | 持续 |
| 5 | 备份与恢复演练 | 最近一次演练的时间与耗时 | 每季度 |
| 6 | 四项容量水位表 | 最近四周的水位记录 | 每周 |
| 7 | 依赖清单与降级预案 | 九个依赖与各自降级动作 | 每半年 |
| 8 | 发布判据与冻结期 | 阈值表与发布记录 | 每次发布 |
| 9 | 五段式复盘模板 | 最近三次复盘的原文 | 每次事故 |
| 10 | 值班人与应急联系人 | 一张写清顺序的联系人表 | 每季度 |
每项控制都要有证据。 「有监控」不是证据，「五条探针与近 30 天成功率」才是。
证据要能在一分钟内找到。 找不到的证据等于不存在；把链接与路径写进控制表，比记在脑子里可靠。
十项不必一次做完。 先做 1、2、3、5 四项，能覆盖大部分故障；其余按季度补。
控制会腐坏。 探针会因为改版失效，告警会因为阈值过时误报；验收就是定期发现腐坏。
联系人表要包括非技术的人。 域名注册商、支付通道、云厂商的工单入口，各写一个能用的联系方式。
三、四张表与四个维度
把十项控制的结果，归到四张表里。
| 维度 | 回答什么 | 指标 | 本例得分 |
|---|---|---|---|
| 可见性 | 出问题你知道吗 | 探针覆盖、日志可串联、告警误报率 | 4 |
| 响应 | 知道后多久动 | 止损时间、MTTR、P1 通知可达性 | 3 |
| 沟通 | 用户知不知道 | 首发时限、更新间隔、状态页可用性 | 4 |
| 恢复 | 能不能回到正常 | 备份可恢复、演练耗时、数据补齐 | 5 |
可见性 4 分。 探针与日志齐了，但缺「24 小时回看新错误组」这一步，扣一分。
响应 3 分。 分级有，但 P1 通知没有做过穿透静音的验证；这是最需要补的一项。
沟通 4 分。 模板齐、状态页独立部署，但首发常在 20 分钟以上，未达 15 分钟。
恢复 5 分。 备份、演练与补齐流程都跑过，最近一次恢复 28 分钟，达标。
四张表就是四本账。 可用性账记分钟，告警账记条数与误报率，事故账记每次的时间线，容量账记四项水位。
四、评分、分级与巡检
评分要能复算，分级要能对应动作。
权重：可见性 0.30、响应 0.30、沟通 0.20、恢复 0.20
综合 = 0.30×4 + 0.30×3 + 0.20×4 + 0.20×5
= 1.2 + 0.9 + 0.8 + 1.0 = 3.9
分级：≥ 4.5 稳；3.5–4.4 可用；< 3.5 需整改
本例 3.9 → 可用；短板在响应（3 分）
下季度动作：验证 P1 通知 → 响应 4 分 → 综合 4.2
月度巡检 = 25 分钟 × 12 = 300 分钟 = 5 小时
占 48 小时年度运维预算的 10.4%
可见性与响应权重最高。 看不见、动不了，其余两项再高也没用；沟通与恢复是补救。
分级只给动作，不给评价。 「可用」意味着按计划补短板，「需整改」意味着下个月先停下新功能。
3.9 与 4.2 的差别要具体。 不是「更努力」，而是「P1 通知静音穿透验证通过」这一件事。
巡检 25 分钟怎么花。 5 分钟看探针，5 分钟看告警条数，5 分钟看容量水位，5 分钟看事故记录，5 分钟更新控制表。
季度打分，月度巡检。 每月巡检是维护控制，季度打分才做判断；两者不要合并。
分数要留档。 四个季度的分数放在一起，才看得出趋势；单次分数只能说明当天。
五、行动清单与复算验收
先把十项控制列成表，再谈分数。
- 为十项控制各写一条可核对的证据。
- 把证据归到可见性、响应、沟通、恢复四张表。
- 按 0.30/0.30/0.20/0.20 算出综合分。
- 对照 4.5 与 3.5 两条线，确定当前等级。
- 选出得分最低的一项，写一条季度动作。
- 把月度巡检排进日历，固定 25 分钟。
- 记录每次巡检的五个观察点。
- 每季度把分数与动作完成情况写进一页纸。
验收标准：你能用十项控制与四张表算出自己的运维分数，并说出下季度只做哪一件事；说不出，说明你的运维还没有验收口径。
使用边界与实操验收
本文处理的是一人产品的运维验收，不涉及合规审计与第三方认证。
认证不归本文。 SOC 2、ISO 27001 有一套独立的控制与证据要求，周期以年计。
分数不能替代事故。 4.5 分也可能因为一次没预案的变更出事；分数是概率，不是保证。
别为了分数堆控制。 十项之外再加十项，巡检时间会翻倍，收益却递减。
四张表要能互相对上。 事故账里的 138 分钟，应该能在可用性账里找到；对不上，说明口径已经分叉。
评分人最好不是自己。 一个人打分容易宽松；可以请一个同行按证据核对，成本很低。
低分不等于要重构。 3.5 以下先补控制，不要先换技术栈；换栈会让所有控制重做一遍。
验收结果要能说给用户听。 团队客户问起时，「过去 90 天 99.89%，五条探针，季度演练」比任何形容词都有用。
关键参考与核验范围
核验日期：2026-10-25。以下链接用于核对运维验收与 SLO 复盘的一般做法，本文未逐条引用其内容。
- Google SRE Workbook：实施 SLO ：用于核对目标、度量与复盘的闭环。
- Google SRE：事后复盘 ：用于核对复盘与改进项的落地方式。
引用口径。 本文只借用「按控制打分 + 按季度改进」这一一般方法；十项控制、3.9 分、25 分钟与 48 小时全部是教学假设，与上述材料无关。
核验范围。 核验的是「四张表能否支撑一次季度判断」，不是比对某家监控或事故管理平台。
如何自行复核。 取最近一个季度，按十项控制逐条找证据；找不到证据的项直接记 0，再看分数落在哪一档。
系列导航
继续阅读
探索更多技术文章
浏览归档，发现更多关于系统设计、工具链和工程实践的内容。