# Учебный практикум

## Кейс: выпуск функции при растущих ошибках

Учебный сервис измеряет SLO по доле успешных запросов, а не минутам доступности. Для фиксированного отчётного набора из 10000000 подходящих запросов целевая успешность 99,9%. Ошибочными считаются запросы, не выполнившие установленный критерий; тестовые и исключённые договорённостью операции в набор не входят.

Допустимый предел — 10000 ошибок. К началу ситуации их 8200. Для этого расчётного упражнения знаменатель фиксирован; в живом скользящем окне он и состав событий меняются, их потребуется пересчитывать.

После последнего выпуска ошибки растут примерно на 200 в минуту. Это наблюдение для следующего сценарного расчёта, не гарантия постоянной скорости. Причина ещё не подтверждена. Новая коммерческая функция должна была выйти завтра; в команде шесть разработчиков и ты как тимлид. Есть дежурный регламент и право остановить обычный rollout. Предыдущая версия доступна, но её совместимость с новыми данными нужно проверить перед откатом.

Задание: объяснить первые действия, оценить риск и предложить, что будет с завтрашним выпуском. Нельзя считать, что на исправление уже известной причины потребуется ровно час: причина пока неизвестна.

### Как проверить числа и ограничения

10000000×0,001=10000. Остаток бюджета 10000-8200=1800 ошибок. Если ещё две минуты сохраняется 200 ошибок в минуту, прибавится 400 и останется 1400. Если так продолжится 30 минут, прибавится 6000, всего будет 14200, то есть выше заданного предела.

Это запросный бюджет. Его нельзя автоматически перевести в 43,2 минуты простоя или другой временной эквивалент: нет данных о равномерном трафике и распределении ошибок. Даже расчёт 1800/200=9 минут — только сценарий при неизменной скорости и фиксированном знаменателе, не обещанный запас безопасного ожидания.

[Google SRE приводит пример error budget policy](https://sre.google/workbook/error-budget-policy/), где надёжность и выпуск функций связываются заранее согласованными правилами. В статье используется принцип явной договорённости. Порог остановки, исключения и окно из той политики не становятся автоматически правилами нашей учебной компании.

### Первые действия и роли

Ответ интервьюеру:

> Сначала остановлю расширение последнего rollout в пределах полномочий и объявлю инцидент по нашему регламенту. Проверю влияние на пользователей и качество сигнала: какие запросы падают, где началось изменение, нет ли пропавших данных наблюдения. Назначу одного владельца координации и отдельный технический поток. Сопоставим откат, выключение функции и другую безопасную меру. Не буду одновременно единственным человеком, который исправляет код, отвечает директору и следит за всеми действиями.

Конкретное распределение шести разработчиков может быть таким: дежурный собирает симптомы и выполняет согласованную меру; второй инженер независимо проверяет совместимость отката; ещё один наблюдает контрольные показатели и фиксирует время. Двое разбирают гипотезы о причине на разрешённых данных; шестой помогает удержать текущие обязательства и освобождает коллег от несрочных запросов. Ты координируешь выбор и эскалацию. Это исходный вариант: если для одного действия достаточно двоих, не нужно создавать шесть параллельных изменений.

Коммуникацию бизнесу поручаем назначенному участнику процесса, например продакту при подтверждённом согласии; если такого человека нет, явно выделяем эту роль из доступных людей. [Atlassian в руководстве по инцидентам отдельно описывает координацию, экспертов, коммуникацию и журнал](https://pages.eml.atlassian.com/rs/594-ATC-127/images/Incident-Management-Guide.pdf). Роль не обязана совпадать с должностью, но у неё должен быть понятный владелец и замещение.

### Что проверить перед откатом

Уточни, изменялась ли схема и формат данных, может ли старая версия читать новые записи, нет ли необратимого внешнего действия. Проверь известный способ возвращения и его контрольные признаки. Тот факт, что есть предыдущий образ контейнера, не доказывает безопасность отката.

Если отключение функции проще и действительно изолирует путь ошибки, это может оказаться менее рискованной мерой. Но флаг, который отключает только кнопку, не остановит уже запущенный backend-процесс. Объясни, какой компонент меняется и по какому наблюдению поймёшь, что вред снижается.

### Как решить вопрос завтрашнего выпуска

> Не подтвержу прежнюю дату без пересмотра: часть команды занята инцидентом, риск последнего изменения ещё не понятен. Сначала согласуем стабилизацию и критерии возврата к обычным релизам. Бизнесу предложу варианты: перенос функции, ограниченный безопасный объём после проверки или отдельный выпуск исправления надёжности. Назову следующую точку обновления, а не выдуманное время окончательного устранения.

Реплика продакту в ролевой ситуации:

> Сейчас обычный rollout остановлен, наблюдаем рост ошибок после последнего изменения. До 14:30 проверим безопасный способ снижения влияния и дадим обновление по фактам. Завтрашний выпуск пока не подтверждаем: после стабилизации отдельно оценим оставшуюся работу и риск. Исправление инцидента и коммерческую функцию не будем объединять в один непроверенный пакет.

Время 14:30 — обещание следующего сообщения в учебном разговоре, не обещание исправить систему. Если интервьюер добавляет запрет переноса, объясни, кто вправе принять остаточный риск, что нельзя выполнить безопасно и какие данные нужны для выбора. Нельзя разрешить противоречие одной фразой «команда поднажмёт».

## Как разбирать результат и развивать команду

### «Разработчик допустил ошибку. Кого накажете?»

> Во время инцидента сосредоточусь на снижении влияния. После соберу хронологию, условия решения и то, почему проверка пропустила опасный сценарий. Разделю подтверждённый факт, гипотезу и оценку человека. У корректирующих действий будут владельцы, сроки и способ проверки. Если есть отдельный вопрос намеренного нарушения правил, его разбирают уполномоченные люди по процессу; технический разбор не заменяет такое решение и не начинается с публичного обвинения.

В учебном кейсе полезное действие может быть конкретным: добавить проверку совместимости старой версии с новой схемой в процесс опасных миграций. «Больше не ошибаться» нельзя проверить. Не обещай, что любой дополнительный тест найдёт все будущие ошибки; покажи, какой класс риска он уменьшает.

### «Сильный инженер всё делает сам и задерживает ревью»

> Поговорю лично о наблюдаемых эпизодах и последствиях: два изменения ждали согласования, знание одной части оказалось у одного человека. Выясню причины — перегрузка, неясные ожидания или отсутствие подготовленных коллег. Договоримся о сроке первого ответа, замещении и передаче одной конкретной области. Дам другому разработчику посильную задачу с поддержкой, затем проверю, смог ли он объяснить и сопровождать решение. Не стану делегировать ответственность без доступа и времени.

Для собеседования подготовь и свой неудачный эпизод: где вмешался слишком поздно или забрал решение у команды. Объясни изменение поведения и наблюдаемый результат. Ответ «мой недостаток — слишком высокий стандарт» обычно уходит от профессионального разбора.

### «Как поймёте, что ревью помогает, а не просто тормозит?»

> Проверю, какие ошибки и неоднозначности оно обнаруживает, где изменения стоят без ответа и кто может подменить основного ревьюера. Отделю время ожидания от времени самой проверки. Для рискованных миграций нужны проверка совместимости и сценарий возврата; для небольшого текста интерфейса тот же тяжёлый процесс может оказаться лишним. Договорюсь о критериях по типу изменения и посмотрю реальные эпизоды после применения, а не буду оценивать качество количеством комментариев.

Если предлагаешь метрику времени ревью, уточни начало и конец: от готовности изменения к проверке до первого содержательного ответа или до принятия. Это разные интервалы. Нельзя улучшать показатель формальным комментарием, оставляя автора без решения. На интервью назови один пример, где изменение процесса сократило зависимость от тебя и сохранило проверку существенного риска.

