Postmortem 文化
概述
Postmortem（事后回顾/事故复盘）是软件工程中将生产故障转化为学习机会的核心实践，通过系统性分析事故根因推动系统级改进，而非追究个人责任。
关键内容
-
核心理念：Postmortem 的目标是将故障转化为学习机会，强调系统性分析而非个人追责。对于 AI 系统，Postmortem 面临额外挑战：不确定性更高（概率性失败）、可重现性差、涌现行为导致难以预测的失败模式。
-
AI 系统的特殊挑战：传统软件的 Postmortem 已有成熟方法论，但 AI 系统引入了新的复杂性。LLM 的行为是概率性的，同样的输入可能产生不同输出；系统级别的交互会产生涌现行为，导致失败模式难以预测；很多 AI 失败难以在隔离环境中完全复现。
-
事故响应双轨制：所有事故响应都面临快速止血与根本原因修复的权衡。快速止血包括回滚到稳定版本、流量降级、临时绕过问题代码路径；根本原因修复需要更多时间、可能需重新设计、必须有测试覆盖。最佳实践是先快速止血，再深入根因分析，绝不在未理解根因的情况下声称问题已解决。
-
AI 系统特有的响应手段：包括模型级回退（回退到上一个模型版本）、Prompt 级回退（回退到上一版本提示）、流量级调整（将特定类型请求路由到备用路径）。这些手段是传统 SRE 实践中没有的。
-
从事故到系统改进：好的 Postmortem 不只是记录"发生了什么"，而是推动普适改进：将失败案例加入评测套件防止复发、改进部署流水线增加金丝雀发布阶段、加强生产监控添加特定行为质量指标。
-
透明文化的工程价值：公开 Postmortem 产生多重价值——内部信号（不能掩盖失败）、外部信任（展示如何处理问题比声称"不会出问题"更有说服力）、行业学习、用户沟通。这需要勇气，因为公开承认失败在商业上有成本。
来源
- 18_postmortem.md — Anthropic Engineering Blog 原文《A postmortem of three recent issues》