| name | incident-commander |
| description | Skill de Comandante de Incidentes para gerenciar resposta a incidentes tecnológicos, desde a detecção até a resolução e revisão pós-incidente. Cobre classificação de severidade, reconstrução de linha do tempo e geração de PIR. |
| agents | ["claude-code"] |
Skill Incident Commander
Categoria: Engineering Team
Tier: POWERFUL
Versão: 1.0.0
Última Atualização: Fevereiro de 2026
Visão Geral
A skill Incident Commander fornece um framework abrangente de resposta a incidentes para gerenciar incidentes tecnológicos desde a detecção até a resolução e revisão pós-incidente. Esta skill implementa práticas testadas em batalha de equipes SRE e DevOps em escala, fornecendo ferramentas estruturadas para classificação de severidade, reconstrução de linha do tempo e análise pós-incidente completa.
Funcionalidades Principais
- Classificação Automatizada de Severidade - Triagem inteligente de incidentes com base em métricas de impacto e urgência
- Reconstrução de Linha do Tempo - Transformar logs e eventos dispersos em narrativas coerentes de incidentes
- Geração de Revisão Pós-Incidente - PIRs estruturados com múltiplos frameworks de RCA
- Templates de Comunicação - Templates pré-construídos para atualizações de partes interessadas e escalações
- Integração de Runbook - Gerar runbooks acionáveis a partir de padrões de incidentes
Skills Incluídas
Ferramentas Principais
-
Classificador de Incidentes (incident_classifier.py)
- Analisa descrições de incidentes e produz níveis de severidade
- Recomenda equipes de resposta e ações iniciais
- Gera templates de comunicação com base na severidade
-
Reconstrutor de Linha do Tempo (timeline_reconstructor.py)
- Processa eventos com timestamp de múltiplas fontes
- Reconstrói a linha do tempo cronológica do incidente
- Identifica lacunas e fornece análise de duração
-
Gerador de PIR (pir_generator.py)
- Cria documentos abrangentes de Revisão Pós-Incidente
- Aplica múltiplos frameworks de RCA (5 Porquês, Espinha de Peixe, Linha do Tempo)
- Gera itens de acompanhamento acionáveis
Framework de Resposta a Incidentes
Sistema de Classificação de Severidade
SEV1 - Interrupção Crítica
Definição: Falha completa de serviço afetando todos os usuários ou funções críticas de negócios
Características:
- Serviços voltados ao cliente completamente indisponíveis
- Perda ou corrupção de dados afetando usuários
- Violações de segurança com exposição de dados do cliente
- Sistemas geradores de receita inoperantes
- Violações de SLA com penalidades financeiras
Requisitos de Resposta:
- Escalação imediata para engenheiro de plantão
- Incident Commander designado em 5 minutos
- Notificação executiva em 15 minutos
- Atualização da página de status público em 15 minutos
- War room estabelecido
- Todos os recursos disponíveis se necessário
Frequência de Comunicação: A cada 15 minutos até a resolução
SEV2 - Impacto Maior
Definição: Degradação significativa afetando subconjunto de usuários ou funções não críticas
Características:
- Degradação parcial do serviço (>25% dos usuários afetados)
- Problemas de desempenho causando frustração do usuário
- Funcionalidades não críticas indisponíveis
- Ferramentas internas impactando produtividade
- Inconsistências de dados não afetando a experiência do usuário
Requisitos de Resposta:
- Resposta do engenheiro de plantão em 15 minutos
- Incident Commander designado em 30 minutos
- Atualização da página de status em 30 minutos
- Notificação de partes interessadas em 1 hora
- Atualizações regulares da equipe
Frequência de Comunicação: A cada 30 minutos durante a resposta ativa
SEV3 - Impacto Menor
Definição: Impacto limitado com soluções alternativas disponíveis
Características:
- Única funcionalidade ou componente afetado
- <25% dos usuários impactados
- Soluções alternativas disponíveis
- Degradação de desempenho sem impacto significativo na UX
- Alertas de monitoramento não urgentes
Requisitos de Resposta:
- Resposta em 2 horas durante horário comercial
- Resposta no próximo dia útil aceitável fora do horário
- Notificação interna da equipe
- Atualização opcional da página de status
Frequência de Comunicação: Apenas em marcos principais
SEV4 - Baixo Impacto
Definição: Impacto mínimo, problemas cosméticos ou manutenção planejada
Características:
- Bugs cosméticos
- Problemas de documentação
- Lacunas de logging ou monitoramento
- Problemas de desempenho sem impacto no usuário
- Problemas em ambiente de desenvolvimento/teste
Requisitos de Resposta:
- Resposta em 1-2 dias úteis
- Rastreamento padrão de ticket/issue
- Sem escalação especial necessária
Frequência de Comunicação: Atualizações padrão do ciclo de desenvolvimento
Papel do Incident Commander
Responsabilidades Principais
-
Comando e Controle
- Assumir propriedade do processo de resposta ao incidente
- Tomar decisões críticas sobre alocação de recursos
- Coordenar entre equipes técnicas e partes interessadas
- Manter consciência situacional em todos os fluxos de resposta
-
Hub de Comunicação
- Fornecer atualizações regulares às partes interessadas
- Gerenciar comunicações externas (páginas de status, notificações a clientes)
- Facilitar comunicação eficaz entre equipes de resposta
- Proteger respondentes de distrações externas
-
Gerenciamento de Processo
- Garantir rastreamento e documentação adequados do incidente
- Conduzir em direção à resolução mantendo a qualidade
- Coordenar handoffs entre membros da equipe
- Planejar e executar estratégias de rollback se necessário
-
Liderança Pós-Incidente
- Garantir que revisões pós-incidente completas sejam realizadas
- Conduzir implementação de medidas preventivas
- Compartilhar aprendizados com a organização mais ampla
Framework de Tomada de Decisão
Decisões de Emergência (SEV1/2):
- Incident Commander tem autoridade total
- Preferência por ação sobre análise
- Documentar as decisões para revisão posterior
- Consultar especialistas no assunto, mas não ficar bloqueado
Alocação de Recursos:
- Pode recrutar qualquer membro de equipe necessário
- Autoridade para escalar para liderança sênior
- Pode aprovar gastos de emergência para recursos externos
- Decide sobre canais de comunicação e timing
Decisões Técnicas:
- Apoiar-se em líderes técnicos para detalhes de implementação
- Fazer chamadas finais sobre trade-offs entre velocidade e risco
- Aprovar estratégias de rollback vs. corrigir à frente
- Coordenar abordagens de teste e validação
Templates de Comunicação
Notificação Inicial de Incidente (SEV1/2)
Subject: [SEV{severity}] {Service Name} - {Brief Description}
Detalhes do Incidente:
- Hora de Início: {timestamp}
- Severidade: SEV{level}
- Impacto: {descrição do impacto no usuário}
- Status Atual: {investigando/mitigando/resolvido}
Detalhes Técnicos:
- Serviços Afetados: {lista de serviços}
- Sintomas: {o que os usuários estão experimentando}
- Avaliação Inicial: {causa raiz suspeita, se conhecida}
Equipe de Resposta:
- Incident Commander: {nome}
- Líder Técnico: {nome}
- SMEs Engajados: {lista}
Próxima Atualização: {timestamp}
Página de Status: {link}
War Room: {link de bridge/chat}
---
{Nome do Incident Commander}
{Informações de Contato}
Resumo Executivo (SEV1)
Subject: URGENTE - Interrupção Impactando Clientes - {Service Name}
Resumo Executivo:
{2-3 frases descrevendo o impacto nos clientes e implicações de negócios}
Métricas Principais:
- Tempo até Detecção: {X minutos}
- Tempo até Engajamento: {X minutos}
- Impacto Estimado nos Clientes: {número/percentagem}
- Status Atual: {status}
- Estimativa de Resolução: {hora ou "investigando"}
Ações de Liderança Necessárias:
- [ ] Aprovação de comunicação com clientes
- [ ] Coordenação de PR/Comunicações
- [ ] Decisões de alocação de recursos
- [ ] Engajamento de fornecedores externos
Incident Commander: {nome} ({contato})
Próxima Atualização: {hora}
---
Este é um alerta automático do nosso sistema de resposta a incidentes.
Template de Comunicação ao Cliente
Estamos atualmente enfrentando {breve descrição do problema} afetando {escopo do impacto}.
Nossa equipe de engenharia foi alertada às {hora} e está trabalhando ativamente para resolver o problema. Forneceremos atualizações a cada {frequência} até a resolução.
O que sabemos:
- {declaração factual do impacto}
- {declaração factual do escopo}
- {breve status da resposta}
O que estamos fazendo:
- {ação de resposta primária}
- {ação de resposta secundária}
Solução alternativa (se disponível):
{passos da solução alternativa ou "Nenhuma solução alternativa disponível no momento"}
Pedimos desculpas pelo inconveniente e compartilharemos mais informações assim que disponíveis.
Próxima atualização: {hora}
Página de status: {link}
Gerenciamento de Partes Interessadas
Classificação de Partes Interessadas
Partes Interessadas Internas:
- Liderança de Engenharia - Decisões técnicas e alocação de recursos
- Gestão de Produto - Avaliação de impacto ao cliente e implicações de funcionalidade
- Suporte ao Cliente - Comunicação com usuários e gerenciamento de tickets de suporte
- Vendas/Gestão de Contas - Gerenciamento de relacionamento com clientes empresariais
- Equipe Executiva - Decisões de impacto nos negócios e aprovação de comunicação externa
- Jurídico/Conformidade - Relatórios regulatórios e avaliação de responsabilidade
Partes Interessadas Externas:
- Clientes - Disponibilidade do serviço e comunicação de impacto
- Parceiros - Disponibilidade de API e impactos de integração
- Fornecedores - Dependências de serviços de terceiros e escalação de suporte
- Reguladores - Relatórios de conformidade para setores regulados
- Público/Mídia - Transparência para interrupções públicas
Cadência de Comunicação por Parte Interessada
| Parte Interessada | SEV1 | SEV2 | SEV3 | SEV4 |
|---|
| Liderança de Engenharia | Tempo real | 30min | 4hrs | Diário |
| Equipe Executiva | 15min | 1hr | EOD | Semanal |
| Suporte ao Cliente | Tempo real | 30min | 2hrs | Conforme necessário |
| Clientes | 15min | 1hr | Opcional | Nenhum |
| Parceiros | 30min | 2hrs | Opcional | Nenhum |
Framework de Geração de Runbook
Componentes Dinâmicos de Runbook
-
Playbooks de Detecção
- Definições de alerta de monitoramento
- Árvores de decisão de triagem
- Pontos de gatilho de escalação
- Ações de resposta inicial
-
Playbooks de Resposta
- Procedimentos de mitigação passo a passo
- Instruções de rollback
- Pontos de verificação de validação
- Pontos de verificação de comunicação
-
Playbooks de Recuperação
- Procedimentos de restauração de serviço
- Verificações de consistência de dados
- Validação de desempenho
- Processos de notificação ao usuário
Estrutura do Template de Runbook
# Runbook de Resposta a Incidentes {Serviço/Componente}
## Referência Rápida
- **Indicadores de Severidade:** {lista de condições para cada nível de severidade}
- **Contatos Principais:** {rotações de plantão e caminhos de escalação}
- **Comandos Críticos:** {lista de comandos de emergência com descrições}
## Detecção
### Alertas de Monitoramento
- {Nome do alerta}: {descrição e limites}
- {Nome do alerta}: {descrição e limites}
### Sinais de Detecção Manual
- {Sintoma}: {o que procurar e onde}
- {Sintoma}: {o que procurar e onde}
## Resposta Inicial (0-15 minutos)
1. **Avaliar Severidade**
- [ ] Verificar {métrica primária}
- [ ] Verificar {indicador secundário}
- [ ] Classificar como SEV{nível} com base em {critérios}
2. **Estabelecer Comando**
- [ ] Acionar Incident Commander se SEV1/2
- [ ] Criar ticket de rastreamento de incidente
- [ ] Entrar no war room: {link/informações de bridge}
3. **Investigação Inicial**
- [ ] Verificar implantações recentes: {localização do log de implantação}
- [ ] Revisar logs de erro: {localização do log e consultas}
- [ ] Verificar dependências: {comandos de verificação de dependência}
## Estratégias de Mitigação
### Estratégia 1: {Nome}
**Use quando:** {condições}
**Passos:**
1. {passo detalhado com comandos}
2. {passo detalhado com resultados esperados}
3. {passo de validação}
{passo de rollback}
{passo de verificação}
{estrutura semelhante}
[ ] {passo de restauração}
[ ] Aguardar {métrica} retornar ao normal
[ ] Validar funcionalidade de ponta a ponta
[ ] Atualizar página de status
[ ] Notificar partes interessadas
[ ] Agendar PIR
{descrição e como evitar}
{descrição e como evitar}
→ Veja references/reference-information.md para detalhes
Exemplo 2: Incidente de Limitação de Taxa de API
echo "API rate limits causing customer API calls to fail" | python scripts/incident_classifier.py --format text
python scripts/timeline_reconstructor.py --input assets/api_incident_logs.json --detect-phases --gap-analysis
python scripts/pir_generator.py --incident assets/api_incident_summary.json --rca-method fishbone --action-items
Melhores Práticas
Durante a Resposta ao Incidente
-
Manter Liderança Calma
- Permaneça composto sob pressão
- Tome decisões decisivas com informações incompletas
- Comunique confiança enquanto reconhece incerteza
-
Documente Tudo
- Todas as ações tomadas e seus resultados
- Justificativa de decisão, especialmente para chamadas controversas
- Linha do tempo de eventos à medida que ocorrem
-
Comunicação Eficaz
- Use linguagem clara, sem jargão
- Forneça atualizações regulares mesmo quando não há novas informações
- Gerencie as expectativas das partes interessadas proativamente
-
Excelência Técnica
- Prefira rollbacks a correções arriscadas sob pressão
- Valide correções antes de declarar resolução
- Planeje falhas secundárias e efeitos em cascata
Pós-Incidente
-
Cultura Sem Culpa
- Foque em falhas de sistema, não em erros individuais
- Incentive relato honesto do que deu errado
- Celebre oportunidades de aprendizado e melhoria
-
Disciplina de Itens de Ação
- Atribua responsáveis e prazos específicos
- Acompanhe o progresso publicamente
- Priorize com base em risco e esforço
-
Compartilhamento de Conhecimento
- Compartilhe PIRs amplamente dentro da organização
- Atualize runbooks com base em lições aprendidas
- Realize sessões de treinamento para modos comuns de falha
-
Melhoria Contínua
- Procure padrões em múltiplos incidentes
- Invista em ferramentas e automação
- Revise e atualize processos regularmente
Integração com Ferramentas Existentes
Monitoramento e Alertas
- Integração PagerDuty/Opsgenie para escalação
- Datadog/Grafana para métricas e dashboards
- ELK/Splunk para análise e correlação de logs
Plataformas de Comunicação
- Slack/Teams para coordenação do war room
- Zoom/Meet para bridges de vídeo
- Provedores de página de status (Statuspage.io, etc.)
Sistemas de Documentação
- Confluence/Notion para armazenamento de PIR
- GitHub/GitLab para controle de versão de runbook
- JIRA/Linear para rastreamento de itens de ação
Gerenciamento de Mudanças
- Integração de pipeline CI/CD
- Sistemas de rastreamento de implantação
- Plataformas de feature flag para rollbacks rápidos
Conclusão
A skill Incident Commander fornece um framework abrangente para gerenciar incidentes desde a detecção até a revisão pós-incidente. Ao implementar processos estruturados, templates de comunicação claros e ferramentas de análise completas, as equipes podem melhorar suas capacidades de resposta a incidentes e construir sistemas mais resilientes.
A chave para o gerenciamento bem-sucedido de incidentes é preparação, prática e aprendizado contínuo. Use este framework como ponto de partida, mas adapte-o às necessidades específicas, cultura e ambiente técnico de sua organização.
Lembre-se: O objetivo não é prevenir todos os incidentes (o que é impossível), mas detectá-los rapidamente, responder eficazmente, comunicar claramente e aprender continuamente.
