1. 课程导论：On-Call 轮转的背景与痛点、自动化排班与疲劳度检测的价值

1.1 On-Call 轮转的行业背景

在 DevOps 与 SRE 文化广泛普及的今天，7×24 小时服务可用性已成为企业核心指标。无论是电商大促、金融交易系统，还是云基础设施，都需要工程师在非工作时间响应告警、处理故障。这种“待命-响应”机制被称为 On-Call（值班）。

传统 On-Call 轮转通常依赖人工排班表或简单轮询算法，随着团队规模扩大、服务数量增长，暴露出大量结构性问题：

• 排班效率低：主管每周手动编排值班表，沟通成本高，易出错。
• 疲劳累积不可见：连续夜班、高频告警导致工程师睡眠剥夺，反应力下降，故障处理质量恶化。
• 公平性争议：节假日、凌晨时段分配不均，引发团队内部矛盾。
• 告警风暴与值班过载：同一值班人同时处理多个系统告警，无法有效降噪。

1.2 核心痛点深度分析

我们将 On-Call 轮转中的痛点归纳为四个维度，通过下表进行对比：

1.3 自动化排班与疲劳度检测的价值

引入 On-Call 轮转机器人 与 疲劳度检测算法，可以从根本上解决上述痛点。其核心价值体现在：

• 自动化排班：基于约束满足算法（CSP）与多目标优化，自动生成符合技能匹配、时段偏好、公平性权重的值班表，排班时间从小时级降至秒级。
• 疲劳度实时检测：通过采集值班历史、告警频率、连续值班时长、睡眠窗口等特征，构建疲劳度评分模型，提前预警高风险值班时段。
• 动态调整与自愈：当检测到疲劳度超过阈值时，机器人自动触发换班建议或降级告警路由，避免人为决策延迟。

1.4 课程目标

本课程旨在培养学员从零构建一套生产级 On-Call 轮转机器人 的能力，核心目标包括：

1. 掌握自动化排班算法设计：理解约束满足问题（CSP）、遗传算法、多目标优化在排班场景中的应用。
2. 构建疲劳度检测模型：基于值班特征工程，设计可量化的疲劳度评分体系，并实现阈值预警机制。
3. 实现机器人集成与自动化流程：将排班与检测结果通过 Webhook、IM 机器人（如钉钉、Slack）自动推送，支持动态换班。
4. 具备生产级部署思维：考虑高可用、数据持久化、可观测性等工程实践。

1.5 学习路径与章节规划

课程共分为 30 章，按“基础 → 算法 → 工程 → 实战”递进：

1.6 适合人群与前置要求

• SRE / 运维工程师：希望用自动化手段提升值班管理效率。
• 后端 / 全栈工程师：对算法设计与机器人开发感兴趣。
• 技术管理者：需要从全局视角规划 On-Call 体系。