很多 App 把「稳定」写成一句形容词。我们把它拆成可以核对的动作:什么时候巡检、出了问题归几级、维护安排在哪个时间段、维护期间你在屏幕上看到什么。下面四项就是全部,没有第五项,也没有藏在别处的补充说明。
每天 08:00、14:00、22:00 各跑一轮自动巡检,每轮 46 项探针,覆盖片源连通、转码队列积压、鉴权接口延迟、CDN 回源命中率。同一探针连续 2 轮失败,自动升级为 P1 工单,不等用户来报。
故障分 P0 到 P3 共 4 级。P0 全站不可播,5 分钟响应、30 分钟内给出恢复方案;P1 单区域或热门剧集不可播,15 分钟响应;P2 个别清晰度缺失,2 小时响应;P3 排序与文案问题,次工作日处理。
固定窗口为每周三 02:00–04:00,全年共 52 次,累计占用时长约 2.3%。窗口内只做转码与存储迁移,不动推荐算法。临时维护必须提前 12 小时在状态页公示,否则视为事故并计入月度复盘。
状态页常规每 15 分钟刷新一次,P0 期间加密到每 3 分钟。App 顶部横幅同步显示错误码、影响范围与预计恢复时间。所有公告保留 30 天,可回溯核对,不删除、不改写已发布的时间点。
下面四个数字来自内部值班记录,口径写在这里:可用率不含每周三的固定维护窗口;P0 平均恢复时间统计的是从首次告警到全量线路恢复播放,含跨区域回滚。我们没有做到 99.99%,也不打算用这个数字做宣传。
我们请三位长期用户复述了他们遇到故障当天的完整经过,包括做得好的部分和没有做好的部分。三条评价都未经删改,也保留了他们抱怨的细节。
「去年 11 月大结局当晚,第 3 集播到一半直接黑屏,重进三次都是转圈。我先去看状态页,第 4 分钟就出了一条 P0 公告,写着『热门线路回源异常,预计 20 分钟』。最后实际 41 分钟才恢复,中间公告改过两次时间,这点确实让人不太舒服。但值班的人是真的在 5 分钟内动了,评论区有人报错,回复也不敷衍。」
「我是夜班,凌晨 1 点多在看,结果 1 点 30 分刚过就跳维护页。后来才知道那周窗口提前了半小时。提前通知是发了,但只提前了 20 分钟,我根本没刷到。不过维护页本身做得很清楚:写着『预计 02:00 恢复』和一行倒计时,还提示已缓存的 12 集离线内容照常能看。第二天早上 8 点收到一条复盘说明,说是因为存储迁移超时——这种事后解释我愿意买账。」
「我提过一个 P2 工单:某部老剧只给到 720P,没有 1080P 档。工单是周六下午提交的,2 小时 13 分钟后有回复,说源盘就是 720P,需要重新找片源,周二补上了。这点比很多同类 App 强,至少有人认。但 P3 是真慢——我反馈过一处字幕错字,从提交到改好等了 9 天,客服只说『已排期』,中间没有任何进度更新,这块建议再改改。」
这几条是从用户工单和评论区里挑出来问得最多的,答案按现在的实际执行情况写,不做美化。