Srekit postmortem

<!-- СГЕНЕРИРОВАНО bin/mirror.js. Не редактировать: правки затрёт следующая генерация. Источник правды — domains/<домен>/. -->

srekit-postmortem

Скаффолдит постмортем через srekit postmortem и помогает заполнить его на основе того, что обсуждалось в текущей сессии.

Когда использовать

• Пользователь просит написать/оформить постмортем (любая формулировка).
• Пользователь начинает разбор инцидента и хочет файл-каркас, который дальше можно дописывать.
• Пользователь явно упоминает утилиту srekit.

Никакого «исходного файла» (live-incident отчёта, INC-тикета, чат-лога) скилл не предполагает. Все данные для постмортема приходят из текущего разговора: что пользователь рассказал об инциденте, какие факты вы вместе зафиксировали, что видно в логах/коммитах. Если по какому-то полю данных в сессии нет — спрашивай у пользователя или ставь GAP-маркер; не выдумывай.

Что делает srekit postmortem

srekit postmortem — это локально установленная CLI-утилита, которая генерирует markdown-каркас постмортема в Google-SRE-стиле из встроенного (или кастомного) шаблона. Утилита не заполняет содержимое — она только готовит структуру с frontmatter (id, creation_date, severity, owner, …) и пустыми секциями.

Полный CLI-справочник: см. references/srekit-cli.md.

Ключевые флаги, которые ты будешь использовать:

Флаг	Назначение
-T, --title	обязательный — заголовок инцидента
--severity	SEV-1 / SEV-2 / SEV-3 (по умолчанию SEV-3)
--owner	ответственный (всегда роль, не имя — см. ниже)
--start	начало в RFC3339
--end	конец/mitigation в RFC3339
--out	путь к выходному файлу
--templates-dir	one-shot override директории пользовательских шаблонов (на одну команду; иначе берётся из конфига)
--force	перезаписать существующий файл
--dry-run	напечатать в stdout, не писать на диск
--from FILE	прочитать секции из JSON (- для stdin) — round-trip workflow
--schema	вывести JSON Schema для --from входа
--validate FILE	валидировать input-файл без рендера

--template FILE (one-shot подмена шаблона) у postmortem больше нет — удалён в v0.22.0. Кастомный шаблон подключается через --templates-dir (или через конфиг — templates_dir: в ~/.config/srekit/config.yaml / env SREKIT_TEMPLATES_DIR).

Рабочий процесс

1. Убедись, что srekit доступен

srekit --version

Если команда не найдена — сообщи пользователю, что нужно поставить srekit (https://github.com/jtprogru/srekit), и остановись. Не пытайся обойтись без неё — пользователь явно хочет именно эту утилиту.

2. Найди upstream-артефакты в репо

Прежде чем спрашивать метаданные — быстро просканируй репозиторий на материалы, которые попадут в References или подскажут title / severity. Это не источник наполнения секций (наполнение всё равно из сессии — см. правило «не заполняй секции без данных в сессии»), но это контекст и линки.

Что искать:

1. Runbook на алерт, который сработал. Если пользователь упомянул имя алерта или сервиса — поищи в репо runbooks/, docs/runbooks/. Релевантный runbook — это:
   • источник Mitigate-шагов, которые применялись (полезно для секции «Что сработало»);
   • линк под References;
   • сигнал, насколько runbook оказался полезен (если не помог — это What went wrong).
2. Прошлые постмортемы по тому же failure mode. incidents/postmortem-*.md, runbooks/postmortems/*.md. Если этот же сценарий уже происходил — это критичный контекст («повтор инцидента» сразу попадает в Lessons learned, и related-постмортем идёт в References).
3. Legacy incidents/incident-<slug>.md-файлы. Команды srekit incident нет с v0.29.0, но старые файлы могут лежать в репо в проектах, где live-doc вели в markdown. Если такой файл по этому инциденту есть — прочитай и используй timeline как fact-источник (но в постмортеме timeline консолидированный, а не копия — см. шаг 7). Под References — ссылка на live-doc.
4. SLO-документ для затронутого сервиса. docs/slo/slo-<service>.md или подобное. Конкретные SLI / target из SLO — то, что попадает в секцию Impact и в Action items по теме error-budget burn.

Сделай не больше двух-трёх grep'ов / ls'ов — это сканирование, не deep-research. Если ничего не нашёл — ок, идём дальше.

Что не делать:

• Не вытаскивай content из найденных файлов в секции постмортема. Это материал для References и для подтверждения / уточнения того, что пользователь рассказал, не источник.
• Не предполагай, что live-doc / runbook есть, если не видишь его. Отсутствие — нормальное состояние. Не блокируй работу.

3. Собери метаданные

Минимально необходимые для скаффолда:

Поле	Откуда брать
title	из формулировки пользователя или явно спроси («как назовём инцидент?»)
severity	SEV-1 / SEV-2 / SEV-3. Если не указано — спроси; если контекст явно говорит (например, обсуждается полная деградация прод) — предложи и подтверди
owner	роль/команда, не личное имя. Дефолт для h3llo — SRE Lead. Подтверди у пользователя
start	момент начала инцидента в RFC3339. Если только дата — уточни время. Если ничего нет — спроси
end	момент mitigation/resolved в RFC3339. Если инцидент ещё открыт — оставь пустым и поставь GAP в теле

Стратегия:

• Что явно прозвучало в диалоге — подставь и подтверди одним сообщением («собираюсь скаффолдить с такими-то полями, ок?»).
• Что не прозвучало и не выводится — спроси короткой репликой. Не плоди вопросов: одно сообщение с 2–4 пунктами лучше, чем 4 отдельных.
• Не выдумывай timestamps. Если пользователь сказал «вчера утром» — переспроси точное время.

Все timestamps в RFC3339, в локальной TZ (например MSK = +03:00). В Timeline постмортема ты потом сконвертируешь их в UTC (см. шаг 7).

4. Выбери шаблон

srekit сам резолвит шаблон: если в конфиге задан templates_dir (или есть env SREKIT_TEMPLATES_DIR) и там лежит postmortem.yaml — берётся он, иначе fallback на embedded. Обычно ничего делать не нужно.

Когда стоит вмешаться:

• В репозитории есть свой шаблон постмортема в нестандартной директории (типично для h3llo — runbooks/templates/, где формат — расширенная h3llo-структура с Impact-таблицей, Why it took N minutes, Communications log, Follow-up через 30/90 дней). В этом случае на одну команду переопредели через --templates-dir <DIR> (директория должна содержать postmortem.yaml в корне). Это директория, не путь к конкретному файлу — флаг --template FILE у postmortem был удалён в v0.22.0.
• Хочешь убедиться, что подхватится именно проектный шаблон, а не глобальный из конфига — передай --templates-dir явно.

Скажи пользователю, какой шаблон выбран (embedded / configured / --templates-dir) и почему.

5. Определи путь к файлу постмортема

Правило (в порядке приоритета — выбирай первое, что подходит):

1. incidents/postmortem-<YYYY-MM-DD>-<slug>.md — если в репозитории есть каталог incidents/. Это конвенция h3llo: всё, что связано с конкретным инцидентом, лежит в incidents/, постмортем различается префиксом postmortem-. (До v0.29.0 в этом же каталоге могли лежать legacy live-incident-отчёты — теперь srekit incident нет; новые постмортемы туда же.)
2. runbooks/postmortems/postmortem-<YYYY-MM-DD>-<slug>.md — если есть такой каталог (другие проекты, явно отдельная директория для постмортемов).
3. postmortem-<YYYY-MM-DD>-<slug>.md в CWD — последний fallback.

Имя файла — всегда в формате postmortem-<YYYY-MM-DD>-<slug>.md:

• Префикс postmortem- — срекит-конвенция, не меняется.
• Дата — день инцидента (не creation_date файла), YYYY-MM-DD. Даёт читаемый хронологический sort в каталоге и быстро отвечает «когда это было?» взглядом на имя файла.
• Slug — kebab-case, короткий, передающий суть инцидента: disk-50gb-create-hang, csi-controller-oom, vm-network-loss-az-b, inotify-kubelet-crash.

Не используй чужие схемы (<date>-<slug>-postmortem.md, INC-NNNN.md, <topic>-postmortem-<date>.md).

Важно: всегда передавай --out явно. Срекит-дефолтное имя — postmortem-<YYYY-MM-DD>-<slug>.md (дата = creation date, не дата инцидента), и сладжификатор плохо работает с кириллицей (для -T "Зависание создания 50ГБ дисков при создании ВМ" он выдаёт мусорное postmortem-…-50.md — выкидывает кириллицу, оставляет только цифры). Дата в дефолте — creation date файла, а нам нужна дата инцидента. Поэтому полагаться на авто-имя нельзя ни в одном из случаев — всегда собирай --out сам из выбранного каталога, даты инцидента и slug'а.

Если итоговый путь уже существует — спроси перед --force. Возможно, пользователь уже начал заполнять.

6. Скаффолд через srekit

srekit postmortem \
  -T "<title>" \
  --severity SEV-N \
  --owner "<роль>" \
  --start "<RFC3339 start>" \
  --end "<RFC3339 end>" \
  --out "<путь из шага 5>" \
  [--templates-dir "<DIR с postmortem.yaml>"]   # только если нужен проектный шаблон

Перед записью можешь прогнать --dry-run и показать пользователю первые 30 строк, чтобы он убедился, что метаданные верные.

7. Наполни секции

Это самая важная часть — srekit сделал каркас, дальше ты редактируешь его in-place через Edit. Заполняй по порядку, опираясь на то, что обсуждалось в сессии: реплики пользователя, выводы из логов/команд, найденные коммиты. Подробное руководство по каждой секции — references/section-guide.md.

Краткая логика:

• TL;DR / Summary — 2-3 предложения. Что случилось, кого затронуло, как смягчили, главный урок.
• Impact — масштаб (затронутые сервисы, число пользователей/тенантов, длительность). Если SLO ещё не зафиксированы — пиши GAP-маркер со ссылкой на каталог SLO, не выдумывай цифр.
• Timeline — собери в хронологическом порядке (от ранних событий к поздним), в UTC. Каждая строка — одно конкретное событие, а не пересказ. Если ты помнишь точные timestamps из сессии — ставь; если знаешь только относительные («через полчаса после первого репорта») — спроси у пользователя точное время или поставь GAP. Линкуется, не копируется. Если по этому инциденту существует подробный live-coordination-лог (Slack-тред, чат, Google Doc, legacy incidents/incident-*.md) с минутными апдейтами — не копируй его сюда. Постмортем-Timeline — это консолидированные milestone'ы: detection, escalation, первая попытка mitigation, успешная mitigation, resolved. Детальный лог — ссылкой под References. Если консолидируешь — каждая строка добавляет ценность по сравнению с живым логом (контекст, связка с тех. фактом, источник), иначе вырезай.
• Root cause — раздели непосредственный технический фактор и contributing factors (отсутствующий алерт, накопление состояния месяцами, отсутствие automation). Если непосредственная причина не до конца ясна — пометь как «hypothesis, not confirmed», не объявляй преждевременно.
• What went well / wrong / lucky — синтезируй из обсуждавшегося. «Хорошо» = что сработало как задумано. «Плохо» = что замедлило (detection через чат, а не алерт; нет baseline; нет runbook). «Повезло» = blast radius мог быть больше, но не стал.
• Action items — из того, что в ходе сессии обозначилось как «надо сделать». Каждый action item обязан иметь owner (роль), priority, deadline. Если deadline неизвестен — GAP и предложи дефолт, не пиши «TBD».
• Lessons learned — обобщи системные выводы, не пересказ.

8. Примени проектные правила

Эти правила — обязательные для документов в репозиториях h3llo и любых других, где они зафиксированы (CONTRIBUTING.md, глобальные memory). Если живёшь в другой кодовой базе — проверь её соглашения, но эти почти всегда уместны для постмортема:

1. Без личных имён. Везде — роли/команды: «SRE Lead», «Storage owner», «Internal Developers», «продуктовая разработка». Личные имена в опубликованном постмортеме запрещены (см. memory feedback_no-personal-names-in-docs). Это не только про action items — это про весь текст.
2. Blameless. Фокус на системе и процессе: «процесс позволил X», «не было guard rail на Y». Никогда — «инженер N сделал Z».
3. GAP-маркеры вместо галлюцинаций. Если данных нет — пиши <GAP — что нужно дополнить> или _TBD_ с пояснением, чего именно не хватает. Никогда не выдумывай числа, SLO-таргеты, дедлайны, имена тикетов (см. memory feedback_doc-pragmatism).
4. Markdown без хардврапа. Один абзац = одна длинная строка. Структурные переносы (списки, таблицы, code fences) — как есть.
5. Cross-refs — relative markdown. [название](relative/path.md), без Obsidian-wikilinks [[…]] в коммитимых файлах.
6. Язык — как у пользователя в диалоге. Если разговор на русском — постмортем на русском. На английском — на английском. Не смешивай.

9. Сообщи пользователю

• Путь к созданному файлу.
• Какой шаблон использован.
• Список оставшихся GAP-маркеров — это TODO для пользователя/команды, что нужно ещё дополнить (timestamps, owner'ы, SLO-цифры, ссылки на тикеты).

Не предлагай коммит — пользователь сам решит, когда постмортем готов к review.

Что НЕ делать

• Не заполняй секции без данных. Лучше большой постмортем с GAP-маркерами, чем красивый текст с выдуманными фактами. Это критично — пользователь явно указал, что выдумывать значения недопустимо.
• Не ищи «исходный live-incident отчёт» как условие старта. Данные для содержания секций приходят из сессии, не из отдельного файла. С v0.29.0 в srekit нет команды incident — markdown-live-doc больше не стандарт; live-координация уехала в IM-инструменты. Если такой файл всё-таки лежит в репо (legacy, прошлая практика, ручной артефакт) — прочитай в шаге 2 для контекста и ссылки под References, но не блокируйся на его отсутствие.
• Не теряй contributing factors. Корневая причина часто закопана глубже, чем «непосредственная»: симптом починен mitigation'ом, но реальная причина массовости (накопление, отсутствие алерта, систематический bias) — отдельный пункт. Не своди root cause к одному фактору.
• Не используй git commit/git push в рамках работы скилла. Пользователь сам решает, когда коммитить.

Пример

Диалог: пользователь рассказывает, что вчера в 14:25 MSK продуктовая разработка пожаловалась на зависание создания 50 ГБ дисков; mitigation сделали к 18:30 через серию drbdadm secondary на ноде w1; статус — mitigated, не resolved. Заголовок согласовали: «Зависание создания 50ГБ дисков при создании ВМ», severity SEV-2, owner — SRE Lead.

Команда скаффолда:

srekit postmortem \
  -T "Зависание создания 50ГБ дисков при создании ВМ" \
  --severity SEV-2 \
  --owner "SRE Lead" \
  --start 2026-06-03T14:25:00+03:00 \
  --end 2026-06-03T18:30:00+03:00 \
  --out incidents/postmortem-2026-06-03-disk-50gb-create-hang.md \
  --templates-dir /Users/jtprogru/Work/h3llo.cloud/docs/infrastructure/runbooks/templates

(--templates-dir тут указан явно, потому что проектный postmortem.yaml лежит вне директории, прописанной в ~/.config/srekit/config.yaml. Если в конфиге уже стоит нужный templates_dir — флаг не нужен.)

Дальше — Edit по секциям. Timeline (фрагмент, в UTC):

Время (UTC)	Событие	Источник
2026-06-03 11:25	Продуктовая разработка сообщает о hang при create 50 GiB VM	внутренний чат
2026-06-03 12:25	SRE Lead запрашивает прод-доступ	внутренний чат
2026-06-03 12:35	Инцидент объявлен SEV-2 ретроспективно	сессия
2026-06-03 15:30	Verify: retry-storm схлопнулся (10+ → 1 PVC), статус mitigated	сессия
2026-06-03 16:41	pvc-create-bench: 0/10 hung, p95=77s — symptom закрыт	bench CSV

Action items:

#	Action	Owner	Priority	Deadline	Status	Ссылка на тикет
1	Kernel-check blkio_throttle на всех воркер-нодах (cgroup v1/v2)	Storage / Piraeus owner	P0	2026-06-05	Open	<GAP — тикет>
2	P0 RCA: «все Primary на w1» (16/16 zombie)	Storage / Piraeus owner	P0	2026-06-10	Open	<GAP — тикет>
3	Зафиксировать baseline SLO disk-create в 53-slo-catalog	SRE	P1	2026-06-10	Open	<GAP — тикет>
4	Регулярный pvc-create-bench в CI (baseline)	Storage / Piraeus owner	P2	2026-06-30	Open	<GAP — тикет>

GAP-маркеры в постмортеме:

• Communications Lead — _TBD_ (роль не была явно назначена)
• Error budget impact — <GAP — error budget policy ещё не утверждена, см. ADR-0011 (Proposed)>
• Финальный Resolved timestamp — <GAP — инцидент в статусе mitigated, не resolved>