1. 课程导论与价值
1.1 值班机器人是什么
值班机器人（On-Call Bot）是部署在即时通讯平台（如钉钉、飞书、Slack、企业微信）上的自动化运维代理。它不再是一个简单的“告警转发器”，而是具备感知、决策、执行、反馈闭环能力的智能体。
核心定义：值班机器人 = 告警接收器 + 自动化执行引擎 + 知识库入口 + 协同调度中心。它将运维人员从“被动响应”转变为“主动编排”，是 SRE 体系中的第一响应节点。
典型值班机器人能力矩阵：
| 能力维度 | 传统告警机器人 | 本课程值班机器人 |
|---|---|---|
| 告警处理 | 仅转发告警文本 | 解析告警、关联上下文、触发 Runbook |
| 故障诊断 | 无 | 执行预定义诊断命令，返回结果快照 |
| 自动化执行 | 无 | 调用 API、执行脚本、重启服务、回滚版本 |
| 知识联动 | 无 | 自动匹配故障知识库、历史工单、Runbook 文档 |
| 协同反馈 | @指定人 | 创建故障群、拉入专家、更新状态、生成报告 |
1.2 Runbook 自动化核心价值
Runbook（运维手册）是标准化的故障处理流程文档。传统 Runbook 以 Wiki/Confluence 形式存在，值班人员需要“阅读 → 理解 → 手动执行”，效率低且易出错。Runbook 自动化将流程代码化、可执行化，由值班机器人直接调用。
核心价值公式：MTTR（平均修复时间）降低 60%~80% = 人工查找文档时间（-90%） + 手动执行错误（-95%） + 跨系统切换时间（-70%）。
Runbook 自动化的五大核心价值：
- 标准化执行：消除人为操作差异，每次故障处理步骤一致，可审计、可回放。
- 秒级响应：从告警触发到执行诊断命令，时间压缩至秒级，无需等待值班人员登录跳板机。
- 知识沉淀：每次自动化执行的结果、参数、决策路径自动记录，形成可搜索的故障知识库。
- 安全管控：执行权限由机器人统一管理，敏感操作需二次确认，操作日志全链路追踪。
- 协同升级：当自动化无法恢复时，机器人自动拉群、附上上下文、指定升级路径，减少信息传递损耗。
| 对比维度 | 传统手动 Runbook | 自动化 Runbook |
|---|---|---|
| 触发方式 | 人工阅读文档 | 告警/指令自动触发 |
| 执行速度 | 5~15 分钟 | 1~10 秒 |
| 错误率 | 高（复制粘贴错误、漏步骤） | 低（代码化、幂等设计） |
| 可审计性 | 依赖人工记录 | 全自动日志 + 执行快照 |
| 知识复用 | 文档版本混乱 | 版本控制 + 自动关联 |
1.3 课程目标与学习路径
本课程面向运维工程师、SRE、DevOps 工程师、平台架构师，目标是让学员具备从零构建一套生产级值班机器人自动化 Runbook 联动体系的能力。
课程最终交付物：一套完整的、可部署的“值班机器人 + Runbook 引擎 + 故障知识库”联动系统，覆盖告警接入、自动诊断、自动恢复、协同升级全流程。
学习路径与章节地图
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第 1~5 章 | 值班机器人架构设计、Runbook 语法规范、消息中间件选型 |
| 核心篇 | 第 6~15 章 | 告警解析引擎、Runbook 执行器、故障诊断命令编排、幂等与回滚设计 |
| 联动篇 | 第 16~22 章 | 知识库联动、故障群自动创建、升级策略、值班日历与排班 |
| 实战篇 | 第 23~28 章 | 全链路压测、混沌工程演练、生产环境部署、监控与告警自愈 |
| 进阶篇 | 第 29~30 章 | 多集群联邦调度、AI 辅助故障预测、课程总结与最佳实践 |
学习建议：每章结束后，建议在实验环境中复现核心代码片段。课程提供 Docker Compose 一键部署的实验沙箱，降低环境搭建成本。重点掌握第 8~12 章的 Runbook 编排引擎设计，这是整个系统的中枢。
前置知识要求：
- 熟悉 Linux 基础操作与 Shell 脚本
- 了解至少一种编程语言（Python/Go/Java）
- 了解 REST API 与消息队列基本概念
- 有基本的故障排查经验（如查看日志、重启服务）
注意：本课程不涉及基础编程教学。如果对 Python 异步编程或 Go 协程不熟悉，建议先补充相关基础知识。课程代码仓库会提供完整的注释和文档，降低上手门槛。