我一直在研究多个项目，我已将应用程序从 PoC 转移到生产环境。
这些是我为自己和我的团队准备的清单，以确保我们做好生产准备。
这里检查表是重点，因为应用程序采用 Python 编程语言并通过 Kubernetes 部署到 AWS。
并非所有这些都是强制性的，但它们是我发现最有用的。

1. 警报和指标

• [ ] 是否针对基础设施问题设置了警报（例如内存或 CPU 使用率增加、服务不可用）？
• [ ] 是否为关键的应用程序特定逻辑故障设置警报？
• [ ] 我们可以查看基础设施和资源使用情况的历史数据（过去几个小时/几天）吗？
• [ ] 是否有实时监控仪表板？

2. 仪表板和SOP

• [ ] 是否有处理警报和已知问题的 SOP 文档？
• [ ] 是否有适用于常见场景的操作手册？
• [ ] 是否有适当的事件响应计划？

3. 待命映射和节奏

• [ ] 是否有针对应用程序级问题的待命人员映射？
• [ ] 是否有针对基础设施相关问题的待命人员映射？
• [ ] 是否有明确的轮换时间表和升级政策？

4. 部署

• [ ] 是否已确定合适的实例类型（GPU 或 CPU）？
• [ ] 是否已指定所需的服务器类型？
• [ ] 是否支持故障转移的多可用区？
• [ ] 是否支持多区域？
• [ ] 是否针对流量高峰设置了自动缩放（例如 HPA、Keda）？
• [ ] 是否为服务器配置了健康检查？
• [ ] 资源限制是否已定义并记录？
• [ ] 是否有蓝绿或金丝雀部署策略？
• [ ] 是否有明确的回滚计划和程序？

5. 可观察性和追踪性

• [ ] 是否有显示相关指标的仪表板（例如请求计数、HTTP 状态代码、使用情况）？
• [ ] 我们可以端到端跟踪单个请求以进行调试吗？
• [ ] 是否有日志聚合和分析系统？
• [ ] 是否实现了分布式跟踪？

6.负载测试

• [ ] 是否已执行容量规划来确定服务器的负载处理能力？
• [ ] 是否有明确的性能基准？
• [ ] 是否进行了压力测试？

7. 质量

• [ ] 是否有自动化单元测试？
• [ ] 是否有自动化集成测试？
• [ ] 是否执行静态代码分析（例如复杂性检查）？
• [ ] 代码覆盖率是否经过测量并处于可接受的水平？
• [ ] 是否有生产健全性测试用例？
• [ ] 是否有 CI/CD 管道？
• [ ] 是否定期进行安全扫描和漏洞评估？

8. 发布

• [ ] Swagger/OpenAPI 文档是否可用并且是最新的？
• [ ] 是否有 API 和版本的版本控制系统？
• [ ] 是否有已建立的沟通渠道用于定期维护？
• [ ] 是否有变更管理流程？
• [ ] 功能标志是否用于逐步推出新功能？

9. 灾难恢复和业务连续性

• [ ] 备份和恢复程序是否已到位并经过测试？
• [ ] 有数据复制策略吗？
• [ ] 是否已定义恢复时间目标 (RTO) 和恢复点目标 (RPO)？
• [ ] 是否定期进行灾难恢复演习？

10. 合规性和安全性

• [ ] 数据在静态和传输过程中是否加密？
• [ ] 访问控制和身份验证机制是否到位？
• [ ] 是否定期进行安全审核？
• [ ] 应用程序是否符合相关行业标准（例如 GDPR、HIPAA）？

11. 文档

• [ ] 系统架构文档是否可用并且是最新的？
• [ ] API 文档是否完整且最新？
• [ ] 操作程序是否记录在案？
• [ ] 是否有全面的故障排除指南？