为什么这很重要

每个服务团队都带有没有写在任何地方的知识:为什么选择了某个设置,如何重启一个脆弱的组件,某个特定客户需要什么。当一个人离职、休假,或者仅仅是忘记了,知识就随他而去,团队在最糟糕的时刻发现自己的依赖:深夜的一次事件当中。

大多数组织曾试图用文档运动来解决这个问题。员工被告知要把一切写下来。知识库里充满了没人阅读或信任的文章,因为它们过时、冗长或难以找到。几个月后,这种努力逐渐消退,人们又回到询问同事。

更好的做法是把知识视为工作的一部分,而不是单独的任务。捕获发生在解决问题的过程中,由解决问题的人用寥寥数行完成。有帮助的文章被使用和改进;失效的文章被修复或删除。知识库位于人们已经在使用的工具之中:服务台、事件频道、代码仓库。本主题解释这些理念,包括以知识为中心的服务(KCS)方法,以及 AI 现在在搜索和起草中所扮演的角色。它与服务台(主题 3.1 — 服务台)、问题管理(主题 3.3 — 问题管理)和 AI 技能(主题 5.7 — AI 技能与提示词)相关。

核心概念

数据、信息、知识。 数据是事实;信息是处于上下文中的数据;知识是人可以据以行动的信息。错误代码是数据,解释其含义的文章是信息,而在凌晨 3 点知道三种可能的原因中哪一种最可能,则是知识。知识库可以容纳信息和指引,却无法容纳全部知识。维基百科关于知识管理(knowledge management)的文章描述了这一领域。

显性知识与隐性知识。 显性知识可以写下来:程序、检查清单、图表。隐性知识存在于实践和判断之中,难以表达。维基百科描述了隐性知识(tacit knowledge),这一术语与 Michael Polanyi 相关。两者都重要。写作有助于显性知识;交谈、结对和跟岗学习有助于隐性知识。

知识库。 员工和用户可以搜索的一批文章、指南和答案。维基百科描述了知识库和维基(wiki)。它可以是面向员工的内部知识库,也可以是面向客户的外部知识库。质量更多取决于维护,而不是工具。

运行手册(Runbook)。 处理已知情形的分步说明,例如重启服务或响应常见告警。维基百科关于运行手册(runbook)的文章把它们描述为系统运维程序的汇编。好的运行手册简短、经过测试,并与触发它的告警相链接。见主题 6.6 — 运行手册自动化与自动修复。

以知识为中心的服务(KCS)。 由服务创新联盟发布的一种方法。其主要理念是:在工作流中、在解决问题的同时捕获知识;在使用文章的同时复用并改进它们;使每个人都可以安全而正常地贡献;并根据需求而不是预先的计划来演进知识库。它的描述包括“解决循环”和“演进循环”等实践。详细内容请查阅联盟当前的指南。

在工作流中捕获。 写文章的最佳时机是你刚刚解决了问题的时候。在与工单相同的工具中写几行短笔记,包括症状、原因和修复,只需几分钟。事后凭记忆来写,需要更多时间,而且常常被跳过。

把复用当作信号。 当一篇文章被用来解决问题时,将它链接到工单。统计链接数可以显示哪些文章有帮助,哪些从未被使用。如果有人使用了某篇文章而它失效,他们应当当场修复或标记。

文章质量。 好的文章有一个用用户用语写成的清晰标题、对症状或问题的简短陈述、已知的原因、步骤、检查是否奏效的方法,以及如果没有奏效该问谁。它简短,并与系统保持同步。

文档作为代码仓库的一部分。 对工程团队来说,把文档放在代码旁边,用 Markdown 之类的纯文本,并与代码一起评审变更,可以使二者保持一致。维基百科关于 Markdown 的文章描述了这种格式。改变行为的拉取请求也要同时修改文档。

决策记录。 记录为什么作出某项重大决策、考虑过哪些替代方案,以及当时已知什么的简短笔记。它们帮助新团队成员和未来的评审理解其中的推理。

巴士系数(bus factor)。 要使项目因缺乏知识而停滞,需要失去多少人。维基百科描述了巴士系数(bus factor),也称彩票系数。巴士系数为一是一种风险。通过结对、轮岗和分享来传播知识可以提高它。

知识转移。 通过交接、结对、培训和跟岗,把知识从一个人转移到另一个人。维基百科描述了知识转移(knowledge transfer)。要为此留出时间,尤其是在有人要离开的时候。

可发现性。 即使内容很好,人们找不到也是无用的。标题、标签、搜索调优,以及来自告警和工单的链接都很重要。维基百科关于搜索引擎和信息过载的文章描述了相关的问题。

AI 与检索。 AI 助手可以搜索知识库、总结文章并起草新文章。一种常见的模式,检索增强生成(retrieval-augmented generation),检索相关段落,并要求模型只依据这些段落作答。维基百科描述了这一理念。助手的回答只能和它读取的知识库一样好,而且仍可能出错。见主题 5.4 — 面向事件、知识与变更的生成式 AI。

治理。 决定谁拥有知识库,文章如何评审,敏感内容如何控制,以及旧内容何时归档。保持规则轻量。

这些视角如何契合。 知识管理是在单篇文章层面上的持续改进。AI 在审查下帮助用户查找、总结和起草。自动化把告警链接到运行手册,把工单链接到文章。分析显示哪些文章被使用、哪些失效、哪些缺口被搜索。

最佳实践

  1. 边解决边捕获。 作为关闭工单的一部分,写一篇简短的文章或更新一篇。让它成为正常步骤,而不是额外的工作。
  2. 为凌晨 3 点的读者而写。 使用人们搜索的词、简短的步骤,以及检查修复是否奏效的方法。把最有用的部分放在前面。
  3. 把文章链接到工单和告警。 告警触发时,链接到运行手册。文章解决了工单时,把二者链接起来。这些链接显示了什么有用。
  4. 使用时修复或标记。 如果一篇文章在你使用时有误或不清楚,立即纠正或标记待评审。让这件事变得容易。
  5. 让贡献变得安全。 允许每个人编辑,对敏感或高影响的内容进行轻度评审。感谢贡献者,不要惩罚错误。
  6. 定期修剪。 评审长期未被使用的文章,并将其归档。一个更小而可信的知识库,胜过一个庞大而可疑的。
  7. 把工程文档与代码放在一起。 随变更一起评审,并尽可能从源代码生成,如 API 参考。
  8. 记录重要的决策。 写简短的决策笔记,包含背景、选项和理由。把它们链接到所涉及的代码或设计。
  9. 有意识地传播知识。 用结对、轮岗、简短讲座和跟岗来转移隐性知识。检查每项关键服务的巴士系数。
  10. 把 AI 的回答当作草稿。 让 AI 搜索和建议,并显示来源,在文章成为正式内容之前由人确认。跟踪糟糕的回答并修复来源。

与团队讨论的问题

我们上一次不得不请人解释、本该被写下来的东西是什么? 从真实案例开始。预期会有“如何重启 X”或“为什么 Y 要这样设置”。问问是什么阻止了它被写下来。追问:现在一起把它写下来。

我们信任哪些文章?回避哪些? 信任因团队和主题而异。问问为什么。预期会有“过时”和“太长”。追问:选三篇不被信任的文章去修复或删除。

我们有多少人知道如何恢复最关键的服务?如果他们不在会怎样? 这个问题检验巴士系数。老实数一数。预期会有一两个名字。追问:规划一次结对或演练,以传播知识。

我们今天把东西写在哪里?能找到吗? 列出这些地方:聊天、维基、工单、代码仓库、个人笔记。一起试着找一个具体的答案。追问:为每种知识商定一个存放之处。

团队里任何人修复自己发现有误的文章有多容易? 障碍包括权限、评审延迟和对批评的恐惧。问问什么能让它变成三十秒的事。追问:消除一个障碍。

我们如何用 AI 来查找或编写知识?如何检查它说的话? 问问谁在知识工作中使用 AI 工具,以及他们信任什么。预期有些地方会不加批判地使用。追问:商定回答要引用文章,并对照文章抽查回答。

实践:一个服务管理示例

一家国家气象局的八人基础设施团队运行着预报数据流水线。两位资深工程师掌握着处理卫星数据的最老流水线的大部分知识。当其中一位休了三周假时,该流水线上的一次故障花了两天才解决,因为值班的初级人员找不到重启程序,它在一封六年前的邮件线程里。

团队负责人决定采用轻量版的 KCS。任何解决了问题的人,在工单的解决方案字段里写几行:症状、原因、修复、检查。每周一次十分钟的会议评审新笔记,并把有用的升级为团队代码仓库中的运行手册。每条告警都链接到它的运行手册。两位资深工程师同意按轮值表与初级人员结对,并录制两段简短的视频,讲解流水线的运行。

三个月后,已有 40 份运行手册,团队可以在工单工具中看到哪些与已解决的事件相链接。在下一次故障中,值班的初级人员通过告警找到运行手册,照着做,并在 25 分钟内恢复了流水线。一个在代码仓库上试用的搜索助手把一个问题答错了,引用了运行手册中已被后来的编辑取代的一节。负责人增加了一条规则:被取代的章节要删除,而不是加删除线。

变化在于:流水线不再依赖两个人,初级人员也更有信心。仍然困难的是:资深工程师仍然觉得写作占用了他们没有的时间;有些运行手册只经过阅读来测试;最老的流水线上有些组件没人完全了解,这是任何文档都无法解决的。负责人计划对最老的流水线做一次演练,并安排对没人了解的组件进行设计评审。

四种视角

产品与交付团队

把文档与代码放在一起,并随变更一起评审。把决策笔记和运行手册作为工作的一部分来写,并与运维分享你的所学。

服务与运维团队

边工作边捕获解决方案,使用时修复文章,并把告警链接到运行手册。通过结对分享隐性知识。把你发现的缺口告诉负责人。

领导层与治理

让撰写和阅读知识成为工作的正常组成部分,而不是附带的任务。为结对和演练留出时间经费。询问关键服务的巴士系数。不要奖励文章的数量。

客户与用户

好的文章让你可以自己解决问题,更快得到答案。当某篇文章令人困惑或有误时,告诉提供者,以及你当时想做什么。

敏捷、AI、自动化与分析

敏捷

在使用的驱动下,小步演进知识库,并让用户和员工提供反馈。在简短的定期会议上评审缺口。注意:避免大型的文档项目;它们产出的内容在上线时就已经过时。

AI

AI 可以搜索知识库、总结文章、带引用地回答问题,并根据工单和聊天起草文章,凡成为正式内容的都由人批准。指定负责人。注意:助手可能依据过时或错误的内容自信地作答;要显示来源,并跟踪更正。见主题 5.4 — 面向事件、知识与变更的生成式 AI。

自动化

把告警链接到运行手册,在新工单上建议文章,标记过时的内容,并根据已关闭的工单生成草稿文章,再由人编辑。注意:自动建议可能使知识库充斥着低质量的草稿;限制未经评审就发布的内容。见主题 6.6 — 运行手册自动化与自动修复。

分析

跟踪文章的使用情况、与已解决工单的链接、无结果的搜索,以及距上次评审的时间。注意:统计创建的文章数会奖励数量,使用次数则会让热门话题压过关键而罕见的话题;要结合反馈和抽样。见《服务管理度量》一书和主题 7.3 — 度量与报告。

常见失败模式

  • 文档运动。 一阵集中写作之后便是衰败。把捕获知识作为工作的一部分。
  • 文章冗长。 没人阅读。写简短、聚焦任务的文章。
  • 内容过时。 信任受到侵蚀。使用时修复或标记,并修剪。
  • 知识只在聊天里。 无法被找到。把有用的回答移到知识库。
  • 巴士系数为一。 一个人缺席就让工作停摆。有意识地传播知识。
  • AI 回答未经检查。 错误的建议扩散。显示来源并抽查回答。
  • 把写作当作惩罚。 人们回避它。让它成为常规并给予认可。

成熟度模型

维度 起步 发展 标准化 管理 协同
捕获 在脑海和聊天里 事件之后有一些文章 捕获是工作流中的正常步骤 抽样并改进捕获质量 捕获自动化并有人工复核
可发现性 问同事 一个可搜索的知识库 告警和工单链接到文章 搜索缺口驱动内容 检索和助手跨工具集成
质量 未经评审 偶尔清理 使用时修复或标记,定期修剪 通过使用和结果度量质量 质量在整个组织中持续改进
传播 一位专家 一些结对 检查关键服务的巴士系数 规划演练和轮岗 知识在团队和合作伙伴之间共享

检查清单

  • 人们作为关闭工单的一部分来捕获解决方案。
  • 告警链接到运行手册。
  • 文章简短,并用用户搜索的词来写。
  • 任何人都可以修复自己发现有误的文章,并有轻度评审。
  • 我们定期修剪未使用或过时的文章。
  • 工程文档与代码放在一起,并随变更评审。
  • 我们知道每项关键服务的巴士系数。
  • AI 的回答引用来源,并抽查其正确性。

AI 提示词

根据已解决的工单起草文章。

这是一张带有笔记的已解决工单,已去除个人数据:[粘贴]。
请起草一篇简短的知识文章,包含:用用户会搜索的词写的标题、症状、原因(仅限已说明的)、步骤、如何检查是否奏效,以及如果没有奏效该问谁。任何缺口都标注为 [缺失],不要补充。
请列出你不确定的事项。

为夜间的读者评审一篇文章。

这是一份运行手册:[粘贴]。
请列出含糊的步骤、假定了未说明知识的步骤,以及若严格照做可能造成伤害的内容。不要改写运行手册。
请列出你不确定的事项。

从搜索中发现缺口。

这是没有结果或之后又产生了工单的搜索词:[粘贴列表]。这是我们的文章标题:[粘贴列表]。
请把搜索词归为若干主题,并针对每个主题说明是否有现有文章标题看起来相关,或是否需要一篇新文章。不要起草文章。
请列出你不确定的事项。

AI 技能

主要来源

  • Consortium for Service Innovation,Knowledge-Centered Service (KCS):在支持工作中捕获知识的主要实用方法。
  • 野中郁次郎(Ikujiro Nonaka)和竹内弘高(Hirotaka Takeuchi),The Knowledge-Creating Company(1995):关于隐性知识和显性知识。
  • Wikipedia, "Knowledge management" 和 "Tacit knowledge":中立的概述。
  • Wikipedia, "Runbook":关于运维程序的背景。

参考文献

  1. Knowledge management — Wikipedia — https://en.wikipedia.org/wiki/Knowledge_management
  2. Knowledge base — Wikipedia — https://en.wikipedia.org/wiki/Knowledge_base
  3. Tacit knowledge — Wikipedia — https://en.wikipedia.org/wiki/Tacit_knowledge
  4. Wiki — Wikipedia — https://en.wikipedia.org/wiki/Wiki
  5. Runbook — Wikipedia — https://en.wikipedia.org/wiki/Runbook
  6. Retrieval-augmented generation — Wikipedia — https://en.wikipedia.org/wiki/Retrieval-augmented_generation
  7. Markdown — Wikipedia — https://en.wikipedia.org/wiki/Markdown
  8. Bus factor — Wikipedia — https://en.wikipedia.org/wiki/Bus_factor
  9. Knowledge transfer — Wikipedia — https://en.wikipedia.org/wiki/Knowledge_transfer
  10. Consortium for Service Innovation — KCS library — https://library.serviceinnovation.org