故障排查决策树应把“看到什么现象”转换成“下一步检查什么证据”。最重要的设计不是分支够多,而是每个判断都有可执行的检查动作,并区分“是、否、尚不清楚”。没有日志不能等同于没有故障,暂时恢复也不能等同于根因已解决。
以“用户进入支付页后偶发空白”为例,先判断是否需要立即止损,再从静态资源、接口响应和页面渲染逐层缩小范围。可以用 Boardmix 决策树工具整理检查条件和升级路径;图负责帮助团队共享判断,生产操作仍须按各自的权限和应急预案执行。

先分清排查树、故障树和应急流程
排查决策树回答“现在先查哪里”:节点是问题,分支是观察结果,叶子是检查、处理或交接动作。它不等于故障树分析;后者更偏向梳理一个顶层故障可能由哪些原因组合导致。应急流程则回答谁指挥、谁沟通、何时升级,不能被一张技术排查图替代。
因此,支付页空白的排查树顶部应先留一个入口:“是否持续影响核心交易,或存在重复扣款、数据异常等风险?”出现这类风险时,立即交给有权限的事件负责人评估止损,技术排查可以并行。不要要求值班同事查完全部分支才上报。
排查依据可以采用“观察现象—提出假设—设计检查—更新假设”的循环。Google SRE 的故障排查方法强调用观测和实验检验原因,而不是把第一个猜测当作结论。这里的决策树,就是把团队已经掌握的检查顺序写得可复用。
支付页空白:先填一张最小故障记录
“支付坏了”不足以进入排查。先保留出现时间、版本、设备、访问路径和对应请求标识,再观察影响范围。以下用一份假设记录展开排查。
| 字段 | 填写内容 | 用途 |
|---|---|---|
| 用户动作 | 订单页点击“去支付”,页面空白,未出现支付结果 | 固定触发路径,避免把支付失败与页面未显示混为一谈 |
| 时间与版本 | 10:12,Web 版本 v2026.10.16.1 | 关联发布、日志与监控的同一时间窗口 |
| 复现条件 | 同一测试订单在浏览器 A 可复现,在浏览器 B 正常 | 形成差异对照,不能据此立即认定浏览器问题 |
| 资源与请求 | 主脚本请求返回 404;订单接口返回 200 | 优先验证资源路径与版本引用是否一致 |
| 状态边界 | 尚未确认订单是否扣款 | 禁止把“页面未显示”推断成“交易未发生” |
证据中涉及用户标识、订单信息或请求头时,按内部权限保存,跨团队展示前去除敏感内容。白板可以放脱敏后的请求标识和记录链接,不应复制令牌、完整支付信息或客户个人资料。
把检查节点写成能回答的问题
“检查前端”“看看服务器”都不是合格判断节点。将它们改成可以观察的结果,并在连线上写清分支条件。支付页案例可以按下面的顺序展开。
- 关键静态资源是否成功加载?查看失败会话对应的网络记录,区分 404、超时和被阻止等状态。若主脚本未加载,记录资源 URL、页面引用版本和响应状态,交给前端或发布负责人核对;成功则进入接口检查。
- 支付页依赖的接口是否成功返回?不要只看 HTTP 状态。200 响应仍可能有业务错误、空数据或字段缺失。接口失败时将请求标识交给接口负责人;接口和字段符合预期再进入渲染检查。
- 控制台是否出现与当前路径相关的异常?记录异常堆栈、页面版本和发生动作。在受控测试环境中用同样输入验证;与当前空白无关的警告不能直接判作根因。
- 问题是否只出现在特定条件?比较浏览器、网络、缓存状态、账号权限和订单状态,一次只改变一个条件。对照结果用于缩小范围,不用于给用户笼统贴上“环境问题”标签。
- 是否已有足够证据支持修复或安全缓解?有则提交给相应负责人评估并执行;没有则输出目前已排除项、剩余假设和缺失证据,进入升级,不写“无法复现,关闭”。

每个判断都应有“尚不清楚”出口。比如没有失败会话的网络记录,可以回到客服收集时间和复现路径,或由技术负责人决定补充观测;不能自动走“资源正常”分支。对间歇性故障,这个出口往往比增加十种猜测更有价值。
用 Boardmix 把检查顺序、证据和责任放在一起
在画布中央用菱形放判断条件,矩形放动作,终止节点区分“已恢复待追因”“转交负责人”“证据不足待补充”。先用文本与连接线画一条主路径,再补例外,不从整页的技术名词开始。
节点旁放一张小证据卡,内容固定为“观察结果、来源位置、检查时间、执行人”。在当前案例中,资源节点的证据卡是“主脚本 404;v2026.10.16.1;网络记录 N-01;10:12”。另一张假设卡写“页面引用的资源与发布目录不一致”。将观察和假设分开,讨论时才不会把推测误读为已经确认的事实。
多人评审时,前端、接口、发布负责人分别核对自己接手后的动作:需要什么材料、能排除什么、什么条件必须交回。把“检查资源”改到接手人无需再追问的程度,例如“核对页面引用文件名与当前版本清单,记录不一致项”。白板中的讨论结论再回填到团队正式的事故或工单系统。
回滚不是默认叶子,恢复也不是根因结论
“最近发布过”只能提出版本相关的假设。是否回滚还要看有无可用旧版本、数据与接口是否兼容、操作权限、影响范围和现有预案。决策树可以写“交发布负责人评估回滚条件”,不能写成“页面空白→一律回滚”。
假设资源版本不一致得到确认,负责人采取了获准的恢复措施。之后仍要沿原触发路径重新检查:关键资源可加载、页面可显示、订单状态明确、相关异常没有继续出现。页面恢复只说明用户可继续操作,不能单凭这一点断言资源问题是唯一根因。
对当前案例,结束记录应包含“恢复动作、验证路径、仍未解释的问题、后续负责人”。如无法确认扣款状态,交由交易负责人处理,不能让用户反复点击支付来验证页面。
用三次桌面演练检查这棵树是否能用
- 主脚本确实 404:沿资源分支走到版本核对,能否找到责任人和需要提交的文件名?如果终点只有“处理前端”,继续补动作。
- 所有请求 200,但数据字段缺失:是否会误走“接口正常”?将 HTTP 成功与业务数据符合预期拆开。
- 无法复现且缺少日志:是否存在补证据和升级出口?约定下一次检查时间,避免问题无限停在“观察中”。
演练时由不参与绘图的人顺着分支读一遍,记录在哪个节点需要口头解释。每次故障后只把已经验证、能复用的检查加入树中;未证实的猜测保留在事故记录,不让它们成为下一次排查的默认答案。