云中断可能会显著影响服务，影响范围从轻微到广泛不等。建议采用“验证、调查、报告、解决、复盘”的结构化工作流程来处理此类事件。主动准备至关重要，包括设计容错机制并演练响应步骤。本指南专注于可靠性事件处理的基础最佳实践，不包含安全特定措施。在站点可靠性工程（SRE）中，涉及 AI 代理的高级技术也在不断涌现。初始步骤是准备阶段，涵盖设计自动化响应、确保数据随时可用且可复制、制定职责明确的清晰操作手册（Playbook），以及定期开展培训演练。下一阶段是验证，需将检测到的中断归因于 Google、用户或第三方。检查“个性化服务健康”状态和公共“云服务健康”仪表板，有助于判断 Google 是否已宣布发生事件。调查阶段涉及分析指标和日志以定位根本原因，特别是在 Google 未宣布事件时，还需考虑近期变更。即使服务健康仪表板显示正常，若服务仍出现故障，则需向 Google 报告，并设定适当的优先级并提交详细的案例。解决阶段包括与利益相关者沟通，在可能的情况下切换至备用系统，并确定变通方案。公司还需考虑监管报告要求。在恢复稳定后，必须进行无责复盘分析，以识别操作手册、工具和培训方面的改进领域。该复盘流程有助于优化未来的事件响应能力。