1. 课程导论：告警自愈与 PromQL 优化的关系、课程目标与学习路径
1.1 为什么告警自愈离不开 PromQL 优化？
在 SRE 实践中，告警自愈（Alert Self-Healing）是降低 MTTR（平均修复时间）的关键手段。然而，许多团队在落地自愈剧本时，往往遇到以下痛点：
- 查询延迟高： 自愈剧本依赖 PromQL 实时查询指标状态，低效的查询导致自愈动作滞后，甚至错过故障窗口。
- 资源开销大： 未优化的 PromQL 在 Prometheus 或 Thanos 上产生高 CPU/内存消耗，影响整体监控稳定性。
- 误触发与漏触发： 查询精度不足导致自愈剧本在错误的时间点执行，造成业务中断或资源浪费。
PromQL 优化是告警自愈剧本的“燃料”。一个高效的 PromQL 查询，能够确保自愈引擎在秒级内获取准确的状态数据，从而执行精准的恢复动作。反之，低效的查询会让整个自愈体系陷入“慢、贵、不准”的恶性循环。
核心观点： 告警自愈的可靠性 = 自愈逻辑的正确性 × PromQL 查询的效率。两者缺一不可。
1.2 告警自愈与 PromQL 优化的关系矩阵
下表梳理了告警自愈各环节与 PromQL 优化之间的直接关联：
| 自愈环节 | 典型 PromQL 用途 | 优化目标 | 未优化的后果 |
|---|---|---|---|
| 故障检测 | 实时计算错误率、延迟、饱和度 | 降低查询延迟，减少数据扫描量 | 检测延迟增加，错过自愈窗口 |
| 根因定位 | 多维度聚合对比（by/without） | 避免高基数爆炸，优化标签选择 | 查询超时或 OOM，无法定位 |
| 自愈决策 | 阈值判断、趋势预测（predict_linear） | 提高查询精度，减少误判 | 误触发自愈动作，引发连锁故障 |
| 恢复验证 | 对比恢复前后指标变化 | 使用子查询优化，避免重复计算 | 验证周期过长，自愈流程卡死 |
1.3 课程目标
通过本课程的学习，你将能够：
- 掌握 PromQL 性能分析工具： 熟练使用
promtool、topk分析、查询日志等工具定位慢查询。 - 精通 PromQL 优化技巧： 包括标签匹配优化、聚合下推、避免高基数查询、合理使用 Recording Rules 等。
- 构建高效自愈剧本： 将优化后的 PromQL 嵌入自愈流程，实现秒级故障检测与恢复。
- 建立监控与自愈的良性循环： 通过持续的性能监控和查询优化，保障自愈体系的长期稳定运行。
1.4 学习路径与知识体系
本课程共分为 6 个模块，循序渐进地构建你的告警自愈与 PromQL 优化能力：
1.5 学习建议与前置要求
前置知识： 建议学员具备基础的 Prometheus 使用经验，了解 PromQL 基本语法（如
rate()、sum()、by 等）。无需精通，课程会从优化角度重新梳理。
- 环境准备： 准备一个可运行的 Prometheus 实例（v2.40+）和至少一个指标采集目标。
- 工具安装： 安装
promtool和grafana，用于查询分析和可视化。 - 学习节奏： 每章建议投入 30-45 分钟，配合代码实操效果更佳。