3. Runbook 基础概念：什么是 Runbook，手动 Runbook vs 自动化 Runbook 的对比

3.1 什么是 Runbook

Runbook（运维手册/故障响应手册）是一套标准化的操作流程文档，用于指导运维人员处理特定系统事件、故障或例行任务。在 SRE 实践中，Runbook 是保障服务可靠性的核心知识载体，它将隐性的运维经验转化为显性的、可重复执行的步骤。

一个完整的 Runbook 通常包含以下要素：

3.2 手动 Runbook vs 自动化 Runbook 对比

传统的手动 Runbook 依赖人工阅读文档并逐条执行命令，而自动化 Runbook 则将流程编码为可自动触发的脚本或工作流。两者在效率、可靠性和可审计性上存在显著差异。

3.3 关键维度对比表

以下从 8 个核心维度对两种 Runbook 进行系统化对比：

3.4 自动化 Runbook 的典型架构

在 Prometheus 生态中，自动化 Runbook 通常采用以下架构：

3.5 自动化 Runbook 的代码示例

以下是一个与 Prometheus 告警联动的自动化 Runbook 片段（Python + Prometheus API）：

# auto_runbook_cpu_throttling.py
import requests
import json
from prometheus_api_client import PrometheusConnect

prom = PrometheusConnect(url="http://prometheus:9090", disable_ssl=True)

def diagnose_cpu_throttling(alert_labels):
    """诊断 CPU 节流问题"""
    pod = alert_labels["pod"]
    namespace = alert_labels["namespace"]

    # 查询 CPU 限流指标
    query = f'rate(container_cpu_cfs_throttled_seconds_total{{pod="{pod}",namespace="{namespace}"}}[5m])'
    result = prom.custom_query(query=query)

    if result and float(result[0]["value"][1]) > 0.1:
        return {"root_cause": "CPU 限流严重", "throttle_rate": result[0]["value"][1]}
    return {"root_cause": "非 CPU 限流问题", "throttle_rate": 0}

def auto_remediate(action, params):
    """执行自动修复"""
    if action == "increase_cpu_limit":
        # 调用 Kubernetes API 调整 CPU 资源限制
        print(f"[ACTION] 增加 CPU 限制: {params}")
        # 实际调用 k8s API 代码...
        return {"status": "success", "message": "CPU limit increased"}
    elif action == "scale_up_replicas":
        print(f"[ACTION] 扩容副本: {params}")
        return {"status": "success", "message": "Replicas scaled up"}
    return {"status": "skipped", "message": "No action taken"}

# 主流程
if __name__ == "__main__":
    # 模拟从 Alertmanager Webhook 接收的告警
    alert = {
        "labels": {"alertname": "CPUThrottlingHigh", "pod": "api-server-7d8f9", "namespace": "prod"},
        "annotations": {"summary": "Pod CPU throttling > 5%"}
    }

    diagnosis = diagnose_cpu_throttling(alert["labels"])
    print(f"[DIAGNOSIS] {diagnosis}")

    if diagnosis["root_cause"] == "CPU 限流严重":
        result = auto_remediate("increase_cpu_limit", {"pod": alert["labels"]["pod"], "new_limit": "2.0"})
        print(f"[REMEDIATION] {result}")
    else:
        print("[INFO] 无需自动修复，转人工处理")