On-call Survival Guide: วิธีอยู่รอดตอน PagerDuty ร้องตอนตีสาม
สารบัญบทความ (Table of Contents)
- 📋 ก่อนเข้ากะ: เตรียมตัว
- 1. Runbook ต้อง Ready
- 2. Access ครบ
- 3. Sleep Setup
- 🚨 ตอน Alert ดัง: 3 นาทีแรกสำคัญที่สุด
- Step 1: Acknowledge ภายใน 1 นาที
- Step 2: Triage
- Step 3: Mitigate ก่อน Fix
- 💬 Communication ตอน Incident
- กฎทอง
- Template ที่ใช้
- 🧠 หลัง Incident: Postmortem
- Blameless เป็นหัวใจ
- 5 Whys
- Action Items ต้อง SMART
- 🧘 Mental Health
- วิธีดูแลตัวเอง
- 🎯 สรุป
สวัสดีครับ! On-call เป็นหนึ่งในประสบการณ์ที่ “เจ็บแต่จำ” ของ developer — ตื่นตีสาม, server ล่ม, ลูกค้าโวย, ผู้จัดการ ping ทุก 5 นาที วันนี้ผมจะแชร์ survival guide จากประสบการณ์ on-call มา 3 ปีครับ
📋 ก่อนเข้ากะ: เตรียมตัว
1. Runbook ต้อง Ready
ทุก alert ต้องมี runbook ตอบว่า:
- Alert นี้หมายความว่ายังไง
- ขั้นตอนเช็ค root cause
- วิธีแก้ชั่วคราว (mitigation)
- ใคร escalate ถ้าแก้ไม่ได้
อย่ารอให้ alert มาก่อนแล้วค่อยเขียน — ตอนนั้นคุณสมองไม่ทำงาน
2. Access ครบ
- VPN ใช้ได้
- Kubectl config มี
- Cloud console login ผ่าน
- Dashboard bookmark ไว้
ทดสอบ 1 วันก่อนเข้ากะ ไม่ใช่ตอนไฟไหม้
3. Sleep Setup
- โทรศัพท์ข้างเตียง ระดับเสียงสูงสุด
- Laptop ชาร์จเต็ม, ไม่ต้อง password ยาว
- แจ้งครอบครัว/คู่ขา ว่าอาจโดนปลุก
🚨 ตอน Alert ดัง: 3 นาทีแรกสำคัญที่สุด
Step 1: Acknowledge ภายใน 1 นาที
กด ACK ก่อน — บอกทีมว่า “มีคนจัดการอยู่” ป้องกันคนอื่นตื่นตาม
Step 2: Triage
เป็น user-facing ไหม?
- Yes → Severity P1 → ประกาศ incident
- No → มี SLO budget พอไหม? → ค่อยแก้
Step 3: Mitigate ก่อน Fix
- Rollback > forward fix
- Scale up ชั่วคราว
- Disable feature flag
- Traffic shift ไป region อื่น
“Stop the bleeding first, diagnose later”
💬 Communication ตอน Incident
กฎทอง
- Over-communicate — ดีกว่า silent
- Update ทุก 15 นาที แม้ไม่มีอะไรใหม่
- ภาษาธรรมดา — ไม่ใช้ศัพท์เทคนิคกับคนที่ไม่ใช่ dev
- Timeline ชัดเจน — ETA ตอนไหน ใครทำอะไร
Template ที่ใช้
📍 Status: INVESTIGATING | MITIGATING | RESOLVED
🔍 Impact: [ลูกค้าเห็นผลกระทบอะไร]
⚡ Action: [กำลังทำอะไร]
⏱️ Next update: [เวลา]
🧠 หลัง Incident: Postmortem
Blameless เป็นหัวใจ
ไม่ถาม “ใครทำพัง?” ถาม “ระบบเราทำไมยอมให้เกิดขึ้นได้?“
5 Whys
Q: ทำไม server ล่ม?
A: Memory leak
Q: ทำไม memory leak?
A: Cache ไม่มี TTL
Q: ทำไมไม่มี TTL?
A: Code review miss
Q: ทำไม review miss?
A: ไม่มี checklist
Q: ทำไมไม่มี checklist?
A: เรายังไม่ได้สร้าง ← root cause
Action Items ต้อง SMART
- ❌ “พยายามระวังมากขึ้น” (วัดไม่ได้)
- ✅ “เพิ่ม cache TTL check ใน pre-commit hook ภายใน 2 สัปดาห์”
🧘 Mental Health
On-call กระทบจิตใจมากกว่าที่คิด:
- Adrenaline crash หลัง incident → อ่อนล้าครึ่งวัน
- Pager anxiety — แม้ไม่ได้ on-call ก็ได้ยินเสียงหลอน
- Burnout — รันกะถี่เกินไป
วิธีดูแลตัวเอง
- Compensatory day-off — on-call เดือนนี้ = ลาพักเดือนหน้า
- Rotation fair — ไม่ควรเกิน 1 สัปดาห์ทุก 4-6 สัปดาห์
- No-blame culture — จาก leadership
- On-call pay — บริษัทควรจ่าย 💰
🎯 สรุป
On-call ที่ดีไม่ได้วัดจาก “จำนวน incident ที่แก้ได้” แต่วัดจาก “จำนวน incident ที่ไม่เกิดซ้ำ”
ถ้าคุณเจอ incident เดิมทุกสัปดาห์ → ระบบพัง ไม่ใช่คุณขี้เกียจ ต้องกลับไปแก้ root cause ไม่ใช่แค่ mitigate
ขอให้ทุกคน on-call อย่างมีสุขภาพจิตดีครับ เจอกันใหม่ 🚀
บทความที่เกี่ยวข้อง (Related Posts)
จาก Senior สู่ Staff Engineer ปี 2026: บทบาทนี้ต่างจากเดิมตรงไหน
อธิบายการเปลี่ยนผ่านจาก senior developer ไปสู่ staff engineer ทั้งเรื่อง scope, influence, technical strategy และการสร้างผลลัพธ์โดยไม่ต้องมีคนรายงานตรง
SLO และ Error Budget สำหรับ Product Team ปี 2026: เร็วได้โดยไม่พาระบบพัง
อธิบาย SLO, SLI และ error budget แบบใช้งานจริงสำหรับทีม product และ engineering ที่ต้องบาลานซ์ความเร็วในการส่งงานกับความเสถียรของระบบ
จาก Mid-Level สู่ Senior: ต้องเปลี่ยนอะไรบ้าง?
บทสรุปสิ่งที่ผมเปลี่ยนตัวเองจาก Mid-Level Developer สู่ Senior Developer — ไม่ใช่แค่เรื่อง technical skill
Code Review ที่ดีควรเป็นยังไง: คู่มือสำหรับทั้งคน Review และคนถูก Review
หลักการทำ Code Review ที่สร้างสรรค์ ช่วยยกระดับทีม ไม่ใช่แค่จับผิด พร้อม checklist ที่ใช้ได้จริง