4. 自助服务设计原则：以用户为中心、标准化与模板化、可观测性、自愈与回滚能力

SRE 值班台的自助服务不是简单地把工单页面搬到 Portal 上，而是一套围绕“降低认知负载、提升首次解决率、保障交付质量”的设计体系。本节围绕四项核心原则展开，每项原则都直接对应值班场景中的具体痛点。

4.1 四项原则概览

4.2 以用户为中心：从“系统视角”转向“值班视角”

传统资源申请表单往往按照后端 API 字段排列，值班人员需要理解“VPC ID”“安全组规则”“实例规格编码”等概念。以用户为中心的设计要求将表单重组为值班人员熟悉的语言。

• 引导式表单：第一步选择“我要申请什么”（测试环境 / 预发环境 / 生产环境），第二步选择“资源类型”（云主机 / 数据库 / 负载均衡），第三步自动过滤可用规格。
• 智能预填：根据值班人员身份、当前值班项目、历史申请记录，自动填充 60% 以上的字段。
• 错误提示前置：在输入阶段实时校验，而不是提交后返回 400 错误。

4.3 标准化与模板化：让每一次申请都是“可复用的资产”

标准化解决的是“同一件事，不同人做出来不一样”的问题。模板化则把标准固化为可一键使用的配置包。

4.3.1 资源规格模板

4.3.2 命名与标签标准化

# 资源命名规范（自动拼接）
{项目代号}-{环境}-{资源类型}-{序号}
示例：sre-prod-ecs-001

# 标签规范（自动注入）
labels:
  team: sre
  environment: production
  cost-center: platform
  owner: ${申请人}
  created-by: self-service

4.4 可观测性：让申请流程“透明化”

值班人员提交申请后，最焦虑的是“不知道进行到哪一步了”。可观测性设计需要覆盖三个层面：流程状态、执行日志、SLO 达成。

• 状态可视化：每个申请实例在 Portal 上显示“提交中 → 审批中 → 资源创建中 → 配置注入中 → 完成”的实时进度条，并附带预计剩余时间。
• 链路追踪：每个步骤记录开始时间、结束时间、调用方、返回码。失败时直接显示错误详情和修复建议。
• SLO 仪表盘：自助服务自身需要满足 SLO（如 P95 申请完成时间 < 5 分钟，成功率 > 99.5%），并在值班台首页展示。

4.5 自愈与回滚能力：失败是常态，自动恢复是底线

资源申请流程涉及多个外部系统（云平台 API、CMDB、DNS、监控系统），任何一个环节失败都可能导致“半创建”状态。自愈与回滚能力确保失败不会留下残留。

4.5.1 幂等重试机制

# 幂等键设计
idempotency_key = f"{申请ID}-{步骤序号}-{重试次数}"

# 重试策略（指数退避 + 抖动）
retry_policy:
  max_attempts: 3
  base_delay: 1s
  max_delay: 10s
  jitter: 0.2
  retryable_errors:
    - timeout
    - rate_limit
    - server_error

4.5.2 自动回滚策略

4.6 四项原则的协同关系