线上故障是技术人员成长的重要经历，快速定位故障源是恢复的关键。亚马逊和阿里在故障处理流程和经验上有所不同。故障前需建立服务视图、设定故障等级和进行演练。复盘故障时，亚马逊强调技术整改，阿里注重责任划分。根本上，解决故障需简化系统架构和流程。

本文讨论了应对线上故障的通用方法，分为事前、事中和事后三个阶段，涉及多个角色的参与。事前阶段需通过监控告警、定时巡检和异常治理等方法尽早发现故障。事中阶段需优先止血、保留现场、做出单一决策和制定应急预案。事后阶段需进行复盘，借助现场证据进行深层次分析，并制定改进措施。复盘不仅限于故障复盘，还应从项目立项开始介入，设计阶段冗余，研发实现阶段做好异常处理，测试阶段进行测试验证，交付阶段补齐监控和告警手段。通过持续改进，可提升团队的应急能力和线上业务的稳定性。