1. 课程导论：PagerDuty在SRE体系中的角色、值班环境基线核验的重要性、课程目标与学习路径
1.1 PagerDuty在SRE体系中的核心角色
在站点可靠性工程（SRE）实践中，PagerDuty 不仅是告警通知工具，更是事件响应流程的中枢神经系统。它将监控系统的原始告警转化为可调度、可升级、可追溯的响应动作，确保服务等级目标（SLO）不因人为响应延迟而受损。
| 角色维度 | 具体职责 | 对SRE的支撑价值 |
|---|---|---|
| 告警聚合与路由 | 接收Prometheus、Datadog、Zabbix等多源告警，按服务、严重级别、值班表路由 | 消除告警孤岛，确保告警直达正确响应人 |
| 值班编排 | 管理轮值日程、覆盖、临时替换、时区适配 | 避免值班空窗，降低人为排班错误 |
| 事件升级策略 | 未确认→未解决→自动升级至二级/三级响应层 | 防止告警遗漏，保障SLA达标 |
| 事后复盘数据源 | 记录响应时间、升级路径、解决时长、参与人员 | 为故障复盘和SLO改进提供量化依据 |
关键认知： PagerDuty 不是监控系统的替代品，而是将监控数据转化为可执行响应动作的编排层。没有PagerDuty，SRE团队容易陷入“告警疲劳”或“响应混乱”的困境。
1.2 值班环境基线核验的重要性
值班环境基线核验是指在每次值班交接或重大变更后，对值班人员所依赖的工具链、访问权限、通信渠道、告警接收能力进行系统性检查的过程。其重要性体现在以下三个层面：
- 消除响应盲区： 若值班人员无法登录跳板机、VPN 未连接、PagerDuty 移动端未开启通知，则告警发出后无人响应，SLO 直接受损。
- 缩短MTTR（平均修复时间）： 基线核验确保值班人员“开箱即用”，无需在故障发生时临时排查环境问题。
- 降低人为失误： 核验清单将隐性知识显性化，新值班人员按清单操作即可达到与资深成员相同的响应起点。
行业实践参考： Google SRE 团队内部将“值班环境就绪检查”列为每次轮值交接的强制步骤，未通过核验不得正式接班。
1.3 课程目标与学习路径
本课程旨在帮助SRE工程师、值班经理和平台运维人员建立一套可量化、可自动化、可复盘的值班环境基线核验体系，并以PagerDuty为驱动核心，实现故障排查与恢复的标准化。完成本课程后，学员将具备以下能力：
| 能力维度 | 具体目标 | 对应章节 |
|---|---|---|
| 核验体系设计 | 设计覆盖工具链、权限、通信、告警的基线清单 | 第2-5章 |
| 自动化核验 | 使用脚本和PagerDuty API实现自动核验与告警联动 | 第6-10章 |
| 故障排查 | 快速定位核验失败根因（网络、权限、配置、依赖） | 第11-18章 |
| 恢复与复盘 | 执行标准化恢复流程，生成核验报告与改进项 | 第19-25章 |
| 持续优化 | 将核验结果纳入SLO和事件响应指标 | 第26-30章 |
1.4 学习路径建议
根据学员角色不同，推荐以下学习路径：
- SRE工程师（初级）： 按章节顺序学习，重点掌握第2-10章的核验清单设计与自动化脚本编写。
- 值班经理/团队Lead： 优先学习第1-5章（体系设计）和第26-30章（持续优化与复盘），中间章节按需查阅。
- 平台运维/工具链负责人： 重点关注第6-18章，深入理解PagerDuty API集成与故障排查技术细节。
前置要求： 学员需具备基础的Linux命令行操作能力、至少一种脚本语言（Python/Bash）的编写经验，以及PagerDuty平台的基本使用经验。如尚未接触过PagerDuty，建议先完成官方入门教程。
1.5 课程配套资源说明
每章均包含以下标准化组件，确保理论与实践紧密结合：
- 核验清单模板： 可直接导入值班交接流程的Markdown/JSON格式清单。
- 自动化脚本示例： 基于Python + PagerDuty REST API的核验脚本，附带详细注释。
- 故障场景模拟： 使用Docker Compose搭建的模拟环境，用于练习故障排查。
- 复盘报告模板： 包含时间线、根因分析、改进项的标准化文档结构。
课程承诺： 学完本课程后，你将能够独立搭建一套“值班环境基线核验 → 自动告警 → 故障排查 → 恢复复盘”的闭环体系，让每一次值班交接都有据可查、有工具可用、有流程可依。