1. 课程导论：On-Call值班的挑战与痛点、自动化故障排查的价值、课程目标与学习路径
1.1 On-Call值班的挑战与痛点
在SRE体系中，On-Call值班是保障服务SLA的最后一道防线。然而，绝大多数团队在值班过程中面临以下核心痛点：
| 痛点维度 | 典型表现 | 影响 |
|---|---|---|
| 告警风暴 | 同一故障触发多条告警，值班人员被海量通知淹没 | 关键告警被淹没，MTTR延长 |
| 上下文缺失 | 告警信息仅包含指标阈值，缺乏变更记录、依赖拓扑、历史处置记录 | 每次故障都需要从头排查，重复劳动 |
| 知识孤岛 | 故障处理经验仅存在于个别资深工程师脑中，未沉淀为可执行的Runbook | 新人值班效率低，故障升级率高 |
| 疲劳与误判 | 夜间或节假日值班，疲劳导致操作失误或漏处理 | 人为引入二次故障，SLA受损 |
| 核验缺失 | 值班交接时未对基线配置、监控覆盖率、备份有效性进行核验 | 故障发生时才发现监控盲区或配置漂移 |
常见误区：很多团队认为On-Call的痛点只是“告警太多”，实际上核心矛盾在于故障响应链路中缺乏自动化的上下文聚合与基线核验机制，导致值班人员将大量时间花在信息收集而非根因定位上。
1.2 自动化故障排查的价值
自动化故障排查不是要取代SRE工程师的判断力，而是通过标准化、可编程的排查路径，将MTTR从小时级压缩到分钟级。其核心价值体现在三个层面：
- 缩短MTTR：自动执行告警分类、日志检索、指标比对、变更回溯等重复性操作，将人工排查时间减少60%-80%。
- 消除知识盲区：将专家经验编码为可执行的排查DAG（有向无环图），确保每次故障都按照最佳实践路径进行诊断。
- 保障值班基线：在值班交接时自动核验监控覆盖率、告警路由、备份状态、配置一致性等基线项，提前发现隐患。
1.3 课程目标与学习路径
本课程旨在帮助SRE工程师构建一套可落地、可度量、可演进的On-Call自动化故障排查体系。完成本课程后，你将能够：
- 设计值班基线核验清单：涵盖监控覆盖率、告警路由、备份有效性、配置一致性、容量水位等关键维度。
- 构建自动化排查DAG：使用Python/Go编写可复用的故障排查工作流，集成告警平台、日志系统、监控系统和变更管理平台。
- 实现值班交接自动化：在值班交接时自动执行基线核验，生成值班健康报告，提前暴露风险。
- 建立故障复盘与知识沉淀机制：将每次故障的排查路径自动转化为可执行的Runbook，持续降低MTTR。
学习建议：本课程采用“基线先行、自动化跟进、闭环运营”的递进式设计。建议学员在学习阶段1时，先梳理自己团队的现有值班流程和监控覆盖情况，带着实际问题进入后续的自动化构建环节，效果最佳。
1.4 课程适用人群与前置要求
| 角色 | 适用性 | 前置技能 |
|---|---|---|
| SRE工程师 | 核心受众，直接用于日常值班与故障排查 | Linux基础、Python/Shell脚本、监控系统使用经验 |
| 运维架构师 | 用于设计团队值班体系与自动化平台 | 系统架构设计、可观测性体系、CI/CD流程理解 |
| DevOps工程师 | 用于优化发布与运维流程的自动化程度 | 容器化、Kubernetes、基础设施即代码（IaC） |
| 技术管理者 | 用于评估团队值班效率与改进方向 | 对SRE方法论有基本认知 |
课程核心理念：自动化不是一次性工程，而是持续演进的基线管理过程。本课程提供的所有工具和框架都遵循“可扩展、可观测、可回滚”原则，确保你在实际生产环境中能够安全落地。