平台工程实战：值班基线核验的on-call自动化配置 - 第1节

1.1 On-Call 的定义

On-Call（值班）是指工程师在非工作时间或非工作时段，以轮值方式承担系统稳定性保障职责的一种工作模式。当系统出现告警、故障或异常事件时，On-Call 工程师需要第一时间响应、排查并恢复服务，确保服务等级目标（SLO）不被打穿。

在平台工程与 SRE 实践中，On-Call 不是简单的“接电话”，而是一套包含告警路由、事件响应、升级策略、事后复盘在内的完整闭环流程。其核心特征包括：

• 轮值制：团队按周或按天轮流承担值班责任，避免单点疲劳。
• 可中断性：值班期间可被告警打断，但需在约定时间内响应（如 5 分钟、15 分钟）。
• 自动化优先：重复性操作由自动化工具完成，人工仅处理需要判断的异常。
• 可追溯：每一次响应、操作、升级都有记录，用于事后分析和基线核验。

1.2 On-Call 在 SRE 体系中的角色

在 SRE 体系中，On-Call 是连接“系统状态”与“人工干预”的关键枢纽。它位于监控告警层与故障恢复层之间，承担着以下核心角色：

On-Call 的质量直接决定了 SRE 体系的“最后一公里”能否跑通。如果值班响应迟缓、流程混乱，即使监控系统再完善，SLO 也无法得到保障。

1.3 值班基线核验的重要性

值班基线（On-Call Baseline）是指团队为值班流程设定的最低可接受标准，包括响应时间、升级路径、沟通规范、操作记录等。基线核验就是定期检查实际值班行为是否满足这些标准。

基线核验的重要性体现在以下三个方面：

1. 保障服务质量：基线核验确保每次故障响应都符合 SLO 要求，避免因人为疏忽导致服务降级。
2. 降低人为风险：通过核验发现值班流程中的薄弱环节（如响应超时、误操作），及时纠正，减少人为故障。
3. 驱动持续改进：核验结果可作为自动化配置的输入，将重复性核验任务自动化，释放工程师精力。

下图展示了值班基线核验在 SRE 体系中的位置与流程：

1.4 值班基线核验的核心指标

为了量化核验过程，团队需要定义一组可测量的基线指标。下表列出了最常用的五项核心指标：