Durante um incidente, a pressão faz as pessoas pularem etapas. Uma lista curta ajuda a manter a calma e a ordem: primeiro reduzir o impacto, depois descobrir a causa.
Primeiros minutos
- Confirmei o problema com mais de uma fonte (monitoramento, teste manual, relatos)
- Defini quem coordena o incidente (uma pessoa conduz; as demais executam)
- Abri um canal único para comunicação (chat, sala de chamada)
- Classifiquei a gravidade pelo impacto aos usuários
Comunicação
- Avisei as pessoas afetadas (status page, e-mail ou mensagem) com linguagem clara
- Combinei horário da próxima atualização, mesmo sem novidades
- Registrei a linha do tempo: hora, quem fez o quê
Mitigar antes de investigar
- Verifiquei mudanças recentes (deploy, configuração, certificado, migração)
- Considerei reverter a mudança mais recente (rollback) antes de depurar a fundo
- Apliquei medidas de contenção: desligar recurso, limitar tráfego, escalar recursos
- Confirmei que o impacto diminuiu com métricas, não só com impressão
Investigar
- Olhei logs, métricas e traces do período (journalctl, tail, painéis)
- Verifiquei recursos: disco (df), memória e CPU (top), conexões
- Testei hipóteses uma por vez e anotei o resultado
Encerramento e aprendizado
- Declarei o incidente encerrado e comuniquei
- Agendei um pós-mortem sem culpa em poucos dias
- Registrei causa, impacto, o que funcionou e o que faltou
- Criei tarefas com responsável e prazo para evitar repetição (alerta, teste, runbook)
USO Guarde esta lista no mesmo lugar do runbook da equipe. Veja também runbook Linux de produção e o roadmap SRE.
Continue explorando
← roadmaps · Roadmaps e checklists · Erro 500 · Erro 504 · Runbook Linux
Veja também o hub de conteúdo, o glossário e os cursos gratuitos.