По STAR: что сломалось и как это заметили, как восстановили работу (сначала смягчить — откат, переключение, — потом искать причину), как коммуницировали во время инцидента, что выяснил разбор причин и какие изменения сделали, чтобы не повторилось. Разбор — без поиска виноватых: ищут, почему система позволила ошибке случиться.
А ещё Хорошо показать, что после инцидента появился алерт или проверка, которая теперь ловит такие случаи раньше
Так подсказку видит пользователь sotto на живом собеседовании — за пару секунд, пока вы думаете вслух.
Senior-инженер в инциденте — тот, кто сохраняет спокойствие, сначала возвращает работоспособность и потом добивается, чтобы проблема не повторилась.
Структура разбора (постмортема):
Без поиска виноватых — не значит без ответственности: если человек смог одной командой уронить прод, проблема в процессе и защите, а не только в человеке.
«Ночью резко выросли расходы на модель и задержка ассистента. Я ограничил частоту запросов на шлюзе — сервис стабилизировался за 15 минут. По трассам нашли, что после обновления агент в части диалогов зацикливался на вызове инструмента поиска. Откатили версию промпта. На разборе выяснили, что лимита шагов у агента не было, а алерта на стоимость — тоже. Добавили лимит шагов, алерт на стоимость в час и пример с зацикливанием в набор оценки. Через месяц алерт поймал похожую проблему на стейдже».
sotto слышит вопрос интервьюера и показывает короткий ответ и план, как в блоке «Коротко». Оставьте контакт — пришлём доступ и промокод.
sotto