2. Runbook 基础概念

在构建事故响应值班机器人之前，必须理解 Runbook 的核心定义与组成。Runbook 不是普通的脚本，而是一套可执行、可编排、可审计的故障处理知识库。本章从定义、组成要素和与脚本的差异三个维度建立基础认知。

2.1 Runbook 的定义

Runbook（运行手册）是一份结构化的、可重复执行的故障处理流程文档，它将运维专家的经验转化为机器可读的步骤序列。在自动化故障自愈场景中，Runbook 是值班机器人的“大脑”——它告诉机器人：当什么事件发生、在什么条件下、执行什么操作、如何判断成功或失败。

2.2 Runbook 的组成要素

一个完整的 Runbook 由三个核心要素构成：触发器（Trigger）、条件（Condition）、动作（Action）。三者缺一不可，形成“事件 → 判断 → 执行”的闭环。

以下 SVG 展示了 Runbook 三要素在故障自愈流程中的串联关系：

2.3 Runbook 与自动化脚本的区别

很多团队将 Runbook 等同于 Shell 或 Python 脚本，这是常见的认知误区。两者在设计目标、可观测性、复用性、安全控制等方面存在本质差异。下表从 6 个关键维度进行对比：

以下 SVG 从架构层面展示 Runbook 与普通脚本在系统集成上的差异：

2.4 一个简单的 Runbook 示例

以下是一个“Nginx 进程异常退出自动重启”的 Runbook 伪代码，展示三要素如何落地：

# Runbook: nginx_auto_restart
# 版本: v1.2
# 负责人: SRE Team

trigger:
  type: alert
  source: prometheus
  alert_name: "NginxProcessDown"
  severity: critical

condition:
  - check: "告警持续时间 > 30秒"
    operator: ">"
    value: 30
  - check: "当前实例数 > 0"
    operator: ">"
    value: 0
  - check: "最近1小时内未执行过此Runbook"
    operator: "not_executed_in"
    value: "1h"

action:
  - step: 1
    name: "获取实例信息"
    command: "kubectl get pod -l app=nginx -o json"
    on_failure: "abort_and_escalate"

  - step: 2
    name: "重启Nginx容器"
    command: "kubectl rollout restart deployment/nginx"
    timeout: 120
    on_failure: "rollback_and_notify"

  - step: 3
    name: "健康检查"
    command: "curl -f http://localhost/health"
    retry: 3
    interval: 10
    on_success: "clear_alert"
    on_failure: "escalate_to_oncall"