📚 课程目录第1章值班机器人概述

1. 值班机器人概述

1.1 值班机器人的定义

值班机器人（On-Call Robot / Ops Bot）是一种面向运维事件全生命周期的自动化执行体。它通过对接监控告警、变更工单、CMDB 与基础设施 API，在无人值守或半值守场景下完成事件感知、诊断、通知、处置与状态回滚等操作。值班机器人不是简单的脚本触发器，而是一个具备事件驱动、策略编排、状态感知与闭环反馈能力的运维智能体。

  核心定义公式：

  值班机器人 = 事件感知层 + 策略编排引擎 + 基础设施操作层 + 状态回滚能力 + 人机协同接口

1.2 核心价值

价值维度	具体说明	典型量化指标
MTTR 缩短	从告警触发到自动处置完成，秒级到分钟级闭环	MTTR 降低 60%~90%
人为失误归零	标准化操作路径，消除手工执行中的漏步、错步	变更故障率下降 80%+
7×24 覆盖	夜间、节假日、大促期间持续值守	非工作时间响应率 100%
知识沉淀	处置策略、回滚脚本、诊断逻辑持续版本化管理	策略复用率 > 70%
值班减负	过滤无效告警，自动处理已知故障模式	值班电话量减少 50%~75%

1.3 在运维体系中的定位

值班机器人处于运维自动化体系的中枢执行层，向上承接监控与告警平台，向下驱动基础设施与云平台 API，横向联动变更管理、CMDB 与故障管理平台。

1.4 典型应用场景

值班机器人覆盖运维事件处理的多个高频场景，以下列出最常见的六类：

场景类别	触发条件	机器人典型动作	回滚需求
1. 服务宕机自愈	健康检查连续失败 / 端口不可达	重启进程 → 摘除异常节点 → 拉起备用实例	若拉起失败则回滚至上一稳定版本
2. 配置变更回滚	配置下发后告警率飙升	自动执行配置回滚 → 通知变更负责人	回滚至变更前快照或 Git 历史版本
3. 容量弹性伸缩	CPU/内存/请求量超过阈值	触发扩容策略 → 增加副本 → 预热 → 接入流量	扩容失败时缩容至原始规模
4. 数据库故障转移	主库延迟 > 阈值 / 主库宕机	切换备库为主 → 更新 DNS/连接串 → 验证	切换失败则回切原主库
5. 安全事件隔离	入侵检测告警 / 异常登录	隔离主机 → 封禁 IP → 快照取证	误报时恢复网络与访问策略
6. 大促/演练保障	预设定时触发或人工指令	执行混沌实验 → 观测指标 → 自动回滚异常变更	演练结束后恢复基线状态

实践建议： 建议从「服务宕机自愈」和「配置变更回滚」两个场景开始建设值班机器人，这两个场景的自动化收益最高、回滚路径最清晰，适合作为自动化事件触发的首批试点。

1.5 值班机器人的典型工作流

一次完整的事件处置通常包含以下六个阶段，其中状态回滚作为兜底机制嵌入流程末端：

事件感知 — 通过 Webhook、轮询或日志流接收告警
事件过滤与分级 — 去重、抑制、关联分析，确定优先级
诊断分析 — 调用 CMDB 获取资产信息，执行预定义诊断脚本
策略匹配 — 根据事件类型与上下文匹配处置策略
自动处置 — 执行操作（重启、扩缩容、切换、回滚等）
状态验证与回滚 — 验证处置结果，若失败则触发回滚流程

关键设计原则： 值班机器人的每个自动处置动作都必须配套对应的回滚策略。没有回滚方案的自动化，本质上是在放大故障风险。建议在策略编排阶段就将「回滚路径」作为必填字段。