网站运维长期依赖少数几个“什么都懂”的人,是很多企业默认的常态:域名在哪注册、证书什么时候续、数据库备份放在哪台机器、某个报错改哪行配置能好,这些信息往往只存在于某位工程师的聊天记录和记忆里。一旦这个人离职,接手的同事面对的不只是账号密码,而是一整套没有说明书的系统。常见的实际情况是,一名核心运维离开后,团队要花三到六个月才能恢复到原有的响应水平,而这段时间里任何一次故障都可能演变成事故。本文从风险识别出发,给出一套可以在三十天内执行完的盘点、文档化与交接验收方案,目标是让网站运维从靠人记变成靠文档查。
一、知识只留在个人手里,会以五种方式变成事故
第一,故障处置能力随人一起消失。网站出问题时,决定恢复速度的往往不是监控多先进,而是有没有人记得“这个502上次是怎么好的”。知识绑在个人身上,等于把平均恢复时间绑在某个人的在职状态上。核心运维离职后,同类故障从二十分钟恢复拉长到三小时,是相当常见的落差。

第二,账号与资产随时可能失控。域名注册商账号、云主机控制台、CDN、对象存储、SSL证书、企业邮箱、支付回调密钥,这些入口通常由一两个人集中持有且没有登记。人走了,密码留没留、有没有绑定私人手机号、有没有未回收的子账号,往往没人说得清。
第三,配置与变更无据可查。Nginx里某条rewrite规则、防火墙某条放行策略、crontab里每天凌晨跑一次的脚本,如果只存在于服务器上而没有任何说明,接手者只能靠猜。更危险的是没人敢删,于是历史包袱一层层堆积。
第四,合规与审计出现断点。等保测评、ISO27001或大客户的安全问卷,几乎都会问权限管理、变更记录、备份恢复演练。平时没有记录,临时补材料的成本远高于日常维护,而且很难补得可信。
第五,隐性成本被严重低估。一名熟悉全站的运维离职,交接期通常需要一到三个月的双人重叠,加上招聘周期,实际空窗期经常超过一个季度。这期间团队效率下降、故障率上升,账面上却看不见。
二、交接前三十天:把隐性知识逐项盘出来
第一,账号与权限清单。逐个系统列出域名注册商、云平台、CDN、证书签发平台、监控告警、代码仓库、数据库、第三方API的账号归属,标注注册邮箱、绑定手机、是否开启二次验证、有哪些子账号需要回收。这一项要在离职面谈之前完成,因为人的配合度是递减的。
第二,基础设施清单。列清每台服务器的用途、配置、公网IP、所属安全组、部署了哪些站点、跑在哪个运行环境上。虚拟机和容器要分别标注,别把“能跑的机器”和“正在跑的机器”混为一谈。
第三,定时任务与自动化脚本。把所有crontab、计划任务、CI流水线、备份脚本导出,逐条注明用途、执行频率、失败后的影响范围、失败了谁会收到通知。这一项最容易遗漏,也最容易在无人知晓时悄悄失效。
第四,外部依赖与第三方服务。短信通道、支付接口、物流查询、地图服务、备案信息、发票系统,凡是网站调用的外部服务,都要写清账号、合同到期时间、用量和续费负责人。
第五,历史故障与工单记录。把过去一年处理过的故障按现象、排查路径、根因、处置动作整理成条目。这类记录的价值极高,因为它记录的是真实发生过的路径,而不是理论上的最佳实践。
三、文档化方案:四类文档加一个颗粒度标准
第一,资产台账。用表格维护,字段包括资产名称、类型、位置、责任人、账号归属、到期时间、关联业务。台账的作用是回答“我们有什么”,它必须是最新的,否则整套文档都会失去可信度。
第二,标准操作手册。覆盖高频且步骤固定的操作,例如发布上线、证书续签、备份恢复、新增站点、扩容磁盘、切换解析。每一步写清执行命令、预期结果、失败回退方式,不要写“根据实际情况调整”这类无法执行的表述。
第三,故障处置手册。按“现象、影响面、判断依据、处置步骤、升级路径”组织,重点是让人在压力状态下也能照着走。常见条目包括站点打不开、数据库连接数打满、磁盘写满、证书过期、被刷流量、被挂马。每一条都要写明什么时候该找人,找谁。
第四,架构与依赖拓扑。用一张图和一段文字说明请求从哪里进来、经过哪些组件、数据存在哪里、哪里是单点。新接手的人看这一份,能在一小时内建立起整体认知。
关于颗粒度,建议采用统一标准:一名有两年经验、从未接触过这套系统的工程师,照文档能在三十分钟内独立完成一次常规操作。凡是需要旁边有人口头补充才能执行的步骤,都算没写清楚。文档写得过长没人看,写得过简无法执行,这个标准是平衡点。
四、交接验收:文档要能被验证,而不只是被阅读
第一,反向演练。让接手人按文档操作一遍,写文档的人在旁边只看不说。凡是接手人卡住的地方,就是文档的缺口,当场记录、当场补齐。
第二,盲操作测试。选一个低风险但完整的场景,例如从零部署一个测试站点或恢复一份备份,在没有任何人提示的情况下独立完成。通过与否是交接质量最直接的证据。
第三,设置双人值守期。离职前至少留出两到四周的重叠时间,所有变更由接手人执行、离职人复核,反过来再走一遍。这段时间的目的不是学技术,而是暴露那些没人想起来的隐性环节。
第四,签署交接确认单并约定支持期。确认单列明已交付的文档、账号、资产和演练结果,双方签字。同时约定离职后三十天内的有限次数电话支持,明确响应方式和计费,把“不好意思打扰前同事”变成有据可依的正式安排。
五、把文档变成长期机制,而不是一次性运动
第一,变更即更新。把文档更新写进变更流程:任何一次配置修改、组件替换、账号调整,必须同步更新对应文档,否则变更单不算完成。这是唯一能让文档不腐烂的办法。
第二,定期评审。每季度花半天时间,由文档责任人抽查关键条目是否仍然准确,重点看证书有效期、账号归属、外部服务合同。过期信息比没有信息更危险。
第三,明确文档责任人。每份文档指定一名维护人,并保证关键系统至少有两个人能独立操作。所谓双人可操作,不是两个人都会看文档,而是两个人都能不看别人的脸色把系统跑起来。
FAQ问答
Q1:交接文档应该写多细?
A:以一个有两年经验、没接触过这套系统的工程师能照着独立完成为标准。凡是需要口头补充才能执行的步骤,都算没写清楚。
Q2:运维已经提离职,只剩两周,先写什么?
A:优先写账号权限台账和故障处置手册。前者决定系统会不会失控,后者决定出事能不能救,其余内容可以放到支持期内逐步补。
Q3:文档放在Word里还是放wiki里?
A:优先选可搜索、可版本回溯、能和代码或配置放在一起的位置,例如代码仓库里的docs目录或团队wiki。形式不重要,能被找到和被更新才重要。
Q4:小团队没有专职运维,怎么防这个风险?
A:守住双人可操作原则,关键系统至少两个人能独立操作,并每季度做一次交叉演练。人少更要靠机制,而不是靠某个人靠谱。
Q5:离职后还需要联系前员工吗,要不要签协议?
A:建议在离职协议中写明保密义务和三十天内的有限次技术支持,明确按次或按月计费。把关系变成正式约定,双方都更轻松。
总之,运维知识留在个人身上,本质上是把公司的可用性押在一个人身上,而人的流动是必然的。可以从本周就做三件事:先导出账号权限清单,再挑三个最近发生过的故障写成处置手册,最后安排一次反向演练验证文档是否可用。三十天内完成一轮盘点与交接验收,比事后花三个月重建要便宜得多,也稳得多。