IT运维服务SLA协议，故障响应承诺标准

IT运维服务SLA协议是运维方与业务方之间对服务质量的书面约定，而故障响应承诺标准是其中最容易扯皮的部分。
本文面向零基础运维，给出可直接套用的故障分级、响应时限、配置模板与验证方法，读完你就能在自己的团队里落地一份能执行、能检查的SLA。

先分清三个概念再谈承诺

SLA（Service Level Agreement，服务级别协议）解决的是“做到什么程度”。
故障响应承诺通常包含两个不同指标，混在一起写就会导致考核扯皮。

• 响应时间：从告警触发或用户报障，到运维人员确认并开始处理的时间。它衡量的是“有没有人接”。
• 恢复时间：从故障发生到业务恢复可用的时间。它衡量的是“多久修好”。
• 可用性：按周期统计的正常运行比例，例如月度99.9%，属于结果指标，不适合直接写进故障响应承诺里当响应时限用。

一个可独立摘录的判断条件是：响应时间承诺的是“接单速度”，恢复时间承诺的是“修复速度”，两者必须分开写、分开统计，否则无法考核。

故障分级与响应时限模板

没有分级就没有SLA。
建议先把故障按业务影响分成四级，再给每级配时间承诺。
下面是一份适合中小团队的参考模板，具体数值请按自身人力与业务容忍度调整。

• P1 核心业务中断：如主站不可访问、数据库宕机。响应≤15分钟，恢复≤2小时。
• P2 核心功能受损：如支付失败、登录异常。响应≤30分钟，恢复≤4小时。
• P3 非核心功能异常：如后台报表加载慢。响应≤2小时，恢复≤1个工作日。
• P4 咨询与优化建议：响应≤1个工作日，纳入迭代排期。

可独立摘录的结论：P1的定义必须写清“影响范围+不可用判定标准”，例如“主站HTTP 5xx比例持续超过5%且持续5分钟”，否则每次故障都要现场争论是不是P1。

把承诺写进告警与工单系统

协议写在文档里不会自动生效，需要落到工具里。
以常见的告警加工单组合为例，操作路径如下。

1. 在告警平台创建分级规则。以Prometheus Alertmanager为例，在alertmanager.yml中为不同告警打上severity标签：

route:
  receiver: 'oncall'
  routes:
  - match:
      severity: critical
    receiver: 'p1-phone'
    group_wait: 10s
    repeat_interval: 5m
  - match:
      severity: warning
    receiver: 'p3-im'
    repeat_interval: 1h

1. 在工单系统建“故障”类型，字段包含：故障等级、发生时间、首次响应时间、恢复时间、影响范围。
2. 配置自动升级规则：P1告警15分钟未确认，自动电话通知二线负责人；30分钟未恢复，升级到技术负责人。
3. 每月导出工单数据，统计每级的实际响应与恢复时长，和SLA承诺做对比。

容易踩的四个坑

坑一：只写响应不写恢复。 结果是运维“秒回消息”但故障拖一天，业务方仍然不满。

坑二：P1定义太模糊。 建议用可量化条件，例如“核心接口错误率>10%持续3分钟”或“主站连续3次拨测失败”。

坑三：忘记排除项。 第三方支付网关故障、客户自身网络问题、计划内维护窗口，这些通常应写入SLA的免责或顺延条款，避免被无差别考核。

坑四：承诺值拍脑袋。 如果团队只有1名运维且无夜间值班，就不要承诺7×24的P1十五分钟响应。承诺标准应基于当前人力可稳定达到的水平，再逐步收紧。

验证SLA是否真的在跑

协议落地后，用三个动作验证效果。

• 做一次桌面演练：模拟P1告警，记录从触发到电话接通的实际耗时，和承诺值对比。
• 抽查上月工单：随机取10条故障工单，核对首次响应时间字段是否真实填写，而非事后补录。
• 输出月度SLA报告：包含各级故障数量、平均响应时长、平均恢复时长、达标率，发给业务方确认。

如果连续两个月某级达标率低于90%，优先检查告警是否漏报或误报，而不是直接调低承诺值。

常见疑问

Q：SLA里的响应时间从哪个时间点开始算？
通常从告警系统首次触发或用户通过约定渠道报障的时间开始算，以先到者为准。因此必须固定报障入口，避免微信、电话、口头多渠道并存导致计时争议。

Q：可用性99.9%对应的故障预算是多少？
按月度粗算，99.9%约允许每月43分钟不可用，99.95%约22分钟。具体以你的统计口径（按分钟、按请求成功率）为准，建议在协议中写清统计方式和数据来源。

Q：小团队也要写正式SLA吗？
要，但可以简化。至少写清故障分级、响应与恢复时限、报障入口、免责条款和月度报告方式这五项，一页纸也能执行。

Q：故障响应承诺标准需要法务审核吗？
如果SLA涉及对外客户合同或赔偿条款，建议由法务确认；纯内部团队协作的SLA，由运维和业务负责人共同签字确认即可。

把故障分级、响应与恢复时限、告警升级规则和月度验证这四件事做完，IT运维服务SLA协议才算真正落地，而不是停留在文档里。
建议先按本文模板跑一个月，再根据实际数据微调承诺值。