Wix compartilha 7 hábitos de produção aprendidos na prática, do on-call aos post-mortems

O texto de Guy Nahum, engineering lead da Wix, parte de oito anos à frente do time do editor server. A tese: confiabilidade em produção vem menos de ferramenta ou headcount e mais de hábitos pequenos e repetíveis. Antes dos sete hábitos, ele pede uma mudança de postura: enxergar usuários por trás dos gráficos de erro, parar de culpar e assumir problemas mesmo quando estão em serviço de outro time.

O exemplo dos Cinco Porquês é concreto. Um alerta de serviço fora do ar em um datacenter levou a um health check falhando em tabela de banco, a uma query lenta de ambiente de dev travando a réplica master e a uma lista de cinco melhorias: monitoramento, correção do roteamento de queries, fallback para a dependência do banco, redesenho como dependência leve e alerta upstream mais cedo. Outro caso vale atenção de quem opera deploy: um rollback imediato piorou o erro, porque a nova versão mudara uma chave de cache e a invalidação em massa gerou uma onda de cold cache sobre o serviço downstream. A lição dele é que a mudança deveria ter ido atrás de um feature toggle. O texto fecha com IA na investigação, na codificação de lições aprendidas como contexto para ferramentas de código e nas rotinas, sem entregar a produção à IA.

Para quem opera plataforma, o ponto mais útil é o rollback com custo conhecido. Se a mudança mexe em cache, schema ou chave compartilhada, reverter pode ser pior que seguir em frente, e a defesa é feature toggle e rollout gradual desde o design. Os demais hábitos custam pouco: um ajuste de alerta por turno, handover com o time todo e post-mortem sem culpado dão para começar sem aprovação da liderança, como o próprio autor diz.