FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

技能指南 · 指南

客户越级找到 CEO?先回消息,再查日志

凌晨 3 点的完美修复抵不过六小时沉默,前 24 小时应分三阶段,各有明确产出。

分享微博

要点速览

  • 一小时内发出确认消息:承认问题,说明已知影响,约定下次更新时间。
  • 修 bug 的人和负责沟通的人分开,按严重程度定更新频率,并且说到做到。
  • 用客户听得懂的话总结根因,不贴堆栈信息,同时为己方高管发起人备好一页简报。
升级事件前 24 小时的时间线,分三个阶段:0–60 分钟,向客户发出确认消息并约定下次更新时间(橙色高亮);1–6 小时,建立共享文档并按时更新;6–24 小时,用客户的语言写出根因。
客户升级到管理层时,第一项任务是确认,而不是修复。来源:据文中引述的 Google SRE Workbook、Atlassian 和 Supportbench。

周四晚上九点,邮件到了。客户的 CTO 直接写信给你们的 CEO,还抄送了另外三个人。你三周前部署的发票提取 Agent 读错了总金额字段,客户已经不想再跟支持团队打交道。

从现在起,你做的每件事都在双方管理层眼皮底下。有些岗位甚至把这一点直接写进了职位描述。

Tungsten Automation 招聘一名专注客户流失预防的前线部署工程师(FDE),职位描述写得很直白:FDE 是常规支持流程处理不了的高难度、高风险技术问题的主要对接人。

那么前 24 小时该怎么过?不要一头扎进日志。修复和沟通两条线并行推进,时间分成三个阶段,每个阶段都必须交出具体的东西。

为什么消息必须先于修复发出

某个客户为什么选择绕过支持渠道,没人能说准。不过事故处理手册里的优先级顺序是条有用的线索:排在第一位的是尽早确认并承诺后续更新,修复还在后面。

道理不难理解。凌晨 3 点送达的完美修复,弥补不了客户干等的六个小时:这段时间里,他们不知道谁在处理问题,也不知道进展到了哪一步。

Google SRE Workbook 用三个目标描述事故响应,称为 3C,其中之一就是沟通:响应者之间的沟通、组织内部的沟通,以及对外沟通。书中还给出了角色分工的建议。

宣布事故的人通常担任事故指挥官(IC),负责协调工作、分派任务。沟通负责人(CL)是响应团队对外的面孔,和负责调试的人分开。

团队再小,拆分角色也有好处。有客户经理或同事的话,请对方担任 CL。没有的话,就严格切分时间:做完一段调试再写更新,回消息时不要同时调试。

第一阶段,0 到 60 分钟:宣布事故并确认

回到晚上九点那封邮件。第一件事是在内部频道宣布事故,由你担任 IC。第二件事是给客户发确认消息。Supportbench 的 B2B 升级处理手册建议在一小时内发出。

Atlassian 列出了第一条消息必须做到的三件事:确认发生了事故,简要概括已知影响,承诺后续更新。下面是一份可以提前备好的模板:

[姓名],您好:

[公司名称] 团队已收到您的反馈,目前正在处理这起事故。

已知影响:自 [时间] 左右起,部分发票的总金额字段提取有误。
[时间] 之前处理的发票不受影响。
临时措施:工程团队已 [暂停自动审批 / 切换为人工审核],
确保不会再有错误数据进入贵方系统。

下次更新:[时间],届时即使没有新进展也会同步。
直接联系人:[姓名、电话]。

这条消息没有指责任何人。即便最后查明原因出在第三方 OCR 服务上,Atlassian 仍然建议主动承担问题,并表明你理解客户的感受。在客户眼里,系统是你的;背后的供应商是你们内部的事。

第二阶段,1 到 6 小时:共享文档和稳定的更新节奏

一旦有三个或更多人参与处理,Google SRE Workbook 建议开一份共享文档,记录正在考虑的假设和已经排除的原因。以发票为例,文档里可能有这样两行:

- 模型版本有变化?已排除:周一以来没有部署。
- 新供应商的发票格式?排查中。

新加入的人不用你反复讲一遍来龙去脉,CL 写更新时也有现成的素材。

更新频率没有统一标准。Atlassian 建议每 30 分钟一次,或按实际情况定节奏。Supportbench 把频率和严重程度挂钩:Sev-1 每小时一次,Sev-2 每天一次。

具体数字没那么重要,关键是说到做到。承诺十点更新,十点就必须有更新,哪怕内容只是“A 已排除,仍在验证假设 B”。

第三阶段,6 到 24 小时:用客户的语言讲清原因

找到原因后,Supportbench 要求根因摘要用客户的语言写,不贴堆栈信息。同一件事,可以有两种讲法:

写给工程师

  • JSON schema 返回嵌套字段时,parser v2 抛出 KeyError total_amount
  • 补丁回退到 amount_due 字段,02:14 重新部署

写给客户

  • 新供应商的发票把总金额放在了不同位置,系统把税额那一行误读成了总金额
  • 已修复,并重新核对了受影响的发票;今后遇到陌生格式,一律转人工审核

右边的版本回答了客户管理层最关心的三个问题:发生了什么,他们的数据现在是什么状态,以后还会不会再发生。

发起人简报要在有人要之前就写好

除了给客户的摘要,你还需要为己方的高管发起人准备一页简报。在 Tungsten Automation,向这些发起人提供深入的技术分析、架构方向和遥测数据,直接写在 FDE 的职责里。

简报什么时候用得上,由不得你。在 Gainsight,只要客户成功经理(CSM)、团队负责人或 VP 提出要求,发起人就会介入。所以从第二阶段就开始写,每次给客户更新后都同步修改。

这份简报也会成为该客户档案的一部分:Supportbench 建议,一个季度内升级两次的客户,都应指定一名具体的发起人。以发票为例,简报可以是这样:

收件人:[我方发起人]
客户:[名称] · 严重程度:Sev-1 · 状态:已缓解,持续监控中
事件经过:[时间] 至 [时间],新供应商发票的总金额
  被误读为税额行。
遥测数据:受影响发票 [数量] / 该时段发票总数 [数量];
  人工审核比例从 [x] 升至 [y]。
架构:在自动审批前增加陌生格式检查,预计 [日期] 上线。
历史:本季度该客户第 [n] 次升级。
需要您做的:[例如:下午 5 点前致电客户 CTO]。

最后一行最重要。发起人读完简报,应该马上知道自己要做什么,不必再打电话来问你。

把小事故变成危机的几种错误

最容易犯的错误,是修好之前一声不吭。这种冲动可以理解,谁都想带着好消息出现。可每多沉默一小时,客户就多猜一小时,而他们猜出来的版本,很少比真相好听。

其次是在查明原因前就承诺修复时间。只承诺更新时间,永远不要承诺解决时间。也不要在给客户的消息里把责任推给背后的供应商。更不要把日志贴进发给高管的邮件:对方看不懂,只会认为你还没把问题搞清楚。

把这项能力变成求职优势

读 FDE 职位描述时,留意“escalation point”“executive sponsor”或“churn prevention”这类说法。它们意味着这个岗位会看你在这样的夜晚表现如何。面试时,按上面三个阶段复盘一次事故,而不是只讲你修了哪个 bug。

简历上写一句“主导企业客户 Sev-1 问题的事故响应:一小时内确认、每小时更新、为双方管理层撰写根因报告”,招聘方看到的能力,是“修复生产环境 bug”体现不出来的。

24 小时的最后一个阶段,是客户 CTO 一字不改地把你的摘要转发给自己团队的那一刻。

这篇文章对你有帮助吗?

5 个信源
路线图上的下一篇 · 阶段 4: 客户工作演示时最捧场的人,未必会在砍预算时站出来演示阶段,支持者与拥护者看起来一样;区别在于谁肯拿声誉为项目担保,而这可以检验。