📚 课程目录第3章值班机器人概述

3. 值班机器人概述

值班机器人是故障自愈体系中的“第一响应人”。它负责接收监控告警、匹配值班人员、触发通知、执行预定义动作，并将上下文传递给后续的 Runbook 自动化流程。一个成熟的值班机器人能够大幅缩短 MTTR（平均修复时间），避免告警疲劳。

值班机器人并非简单的“消息转发器”，它在故障生命周期中承担以下核心职责：

职责维度	具体说明	关键指标
告警收敛与去重	将同一故障源产生的多条重复告警合并为一条事件，减少噪音。	告警压缩比 > 10:1
智能分派	根据告警来源、严重级别、服务归属，自动匹配当前值班人或后备梯队。	分派准确率 > 99%
多渠道通知	通过电话、短信、即时通讯（Slack/钉钉/飞书）、邮件等渠道触达值班人。	通知到达延迟 < 30s
上下文传递	将告警详情、关联指标、最近变更记录、Runbook 链接一并推送给值班人。	上下文完整度 100%
升级与回退	若值班人未在超时时间内确认，自动升级至下一级负责人或后备团队。	升级响应时间 < 5min
动作执行	支持通过 ChatOps 命令执行重启、回滚、扩缩容等预审批操作。	动作执行成功率 > 95%

  关键设计原则： 值班机器人应作为“无状态”的编排层，不存储业务数据，所有状态通过外部存储（Redis/数据库）或事件总线传递，以保证高可用与水平扩展。

业界主流值班机器人平台分为三类：商业 SaaS、开源自建、企业自研。以下从核心能力维度进行对比：

选型建议： 中小团队优先选择 PagerDuty 或 Opsgenie 以降低维护成本；大型互联网公司或金融行业建议自研 Bot，以便与内部变更管理、混沌工程平台深度联动。

调度策略决定了告警事件如何匹配到具体的值班人。以下是四种主流策略及其适用场景：

固定轮询（Round-Robin）： 按预设顺序依次分配，适合人员技能均等的团队。
时间表轮询（Time-based Schedule）： 按日/周/月排班表分配，支持白班/夜班/周末轮换，适合有固定值班周期的团队。
加权轮询（Weighted Round-Robin）： 根据值班人的技能等级、历史响应速度、当前负载动态调整权重，适合技能差异较大的团队。
基于事件属性的路由（Event-based Routing）： 根据告警的 service、severity、region 等标签，直接路由到对应的专项值班组（如 DB 组、网络组）。

避坑提示： 不要使用“全局广播”作为默认策略。全员通知会导致告警疲劳，且无人真正负责。必须设置明确的 主值班人 和 后备值班人 两级机制。

下图展示了一个典型的值班机器人调度架构，涵盖从告警接入到最终分派的全链路：

在实际落地中，通常需要组合多种策略。以下矩阵帮助 SRE 团队快速选择：

  最佳实践： 无论选择哪种策略，都必须为值班机器人配置 健康检查 和 降级方案。当机器人自身不可用时，应自动切换到静态排班表或备用通知通道（如直接电话呼叫值班经理）。

值班机器人不仅是通知工具，更是 Runbook 自动化的触发器。下图展示了从告警到自愈的完整联动流程：

自动化触发条件： 对于 P0/P1 级告警，值班机器人可在通知值班人的同时，自动触发预审批的 Runbook（如自动扩容、重启服务），值班人只需确认或回退。对于 P2/P3 级告警，则等待值班人手动触发 Runbook。