1. 值班机器人概述

值班机器人（On-Call Bot）是现代可观测性体系中连接“告警产生”与“人工响应”的关键中间层。它不再只是简单的消息转发器，而是集告警通知、事件响应、自动化运维于一体的智能协作节点。在SRE实践中，值班机器人承担着降低MTTR（平均修复时间）、消除告警疲劳、提升事件处理一致性的核心职责。

1.1 值班机器人的定义

值班机器人是一种运行在即时通讯平台（如Slack、钉钉、飞书、企业微信）或内部协作系统上的自动化服务。它通过API与监控系统、告警管理平台、CMDB、变更系统等基础设施对接，在检测到异常事件时，自动执行以下动作：

• 告警收敛与去重：将多条重复或关联告警合并为一条事件，减少噪音。
• 智能通知与升级：根据值班排班表、事件严重级别、服务依赖关系，将事件精准推送给当前责任人。
• 上下文聚合：自动拉取关联的日志、指标、链路追踪、变更记录，形成事件快照。
• 交互式响应：支持通过按钮、命令、表单等方式，让值班人员直接在聊天界面执行确认、屏蔽、回滚、扩缩容等操作。
• 事件生命周期管理：记录事件从触发、认领、处理到关闭的全过程，生成事后复盘报告。

1.2 核心功能矩阵

值班机器人的功能可以划分为三个层次，如下表所示：

1.3 常见架构模式

根据团队规模、告警量和自动化程度，值班机器人通常采用以下三种架构模式之一。下图展示了三种模式的拓扑对比：

1.4 架构模式选型建议

三种模式并非互斥，实际落地时可根据团队成熟度逐步演进：

• 起步阶段（模式一）：使用开源组件（如Prometheus Alertmanager + webhook + 机器人SDK）快速搭建，适合日告警量低于1000的团队。
• 成长阶段（模式二）：引入事件总线（Kafka）和独立的事件处理引擎，实现告警去重、聚合、SLA计时和升级策略，适合日告警量1000~10000的团队。
• 成熟阶段（模式三）：基于OpenTelemetry构建统一的可观测性数据底座，结合AI/ML进行根因分析和自动化修复，适合日告警量超过10000的大型团队。

1.5 值班机器人在SRE体系中的位置

下图展示了值班机器人在SRE可观测性体系中的上下游关系：

从图中可以看出，值班机器人处于告警与事件层和人工响应层之间，向上对接可观测性数据，向下驱动人工或自动化处理动作。它不仅是消息的“二传手”，更是事件处理流程的“调度中心”。