1. 课程导论：什么是 Runbook、自愈剧本与自动化告警响应
1.1 核心概念定义
在运维自动化体系中，Runbook、自愈剧本与自动化告警响应是三个层层递进的核心能力。它们共同构成了现代 SRE 团队应对故障的标准化、自动化操作基础。
| 概念 | 定义 | 核心特征 | 典型输出 |
|---|---|---|---|
| Runbook | 标准操作程序文档，记录特定运维场景的详细步骤、命令、检查项与回滚方案 | 人工执行、文档化、可审计、版本控制 | Markdown 文档、Wiki 页面、Confluence 空间 |
| 自愈剧本 | 将 Runbook 中的判断逻辑与操作步骤转化为可编程、可自动执行的剧本 | 自动化执行、条件分支、幂等性、可重入 | Ansible Playbook、Python 脚本、St2 工作流 |
| 自动化告警响应 | 告警触发后，系统自动匹配自愈剧本并执行，实现故障发现到恢复的全链路闭环 | 事件驱动、低延迟、联动编排、闭环反馈 | 告警→剧本→执行→验证→通知 |
关键认知： Runbook 是“知道怎么做”，自愈剧本是“自动去做”，自动化告警响应是“在正确的时间自动做正确的事”。三者缺一不可。
1.2 从 Runbook 到自愈剧本的演进路径
传统运维团队通常从手工 Runbook 起步，逐步向自动化演进。下图展示了这一演进路径中的关键阶段与能力跃迁。
实践建议： 不要试图一步到位。建议从高频、低风险的告警场景开始，先编写 Runbook，再逐步脚本化，最后接入自动化引擎。每完成一个场景的闭环，再扩展下一个。
1.3 自动化告警响应的核心流程
一个完整的自动化告警响应流程包含以下 6 个关键环节，形成从告警产生到故障恢复的闭环。
- 告警接收与标准化 — 从 Prometheus、Zabbix、CloudWatch 等监控系统接收告警，统一格式并去重。
- 告警分类与定级 — 根据告警类型、影响范围、紧急程度自动匹配响应策略。
- 剧本匹配与参数注入 — 从剧本库中查找匹配的自愈剧本，并将告警上下文注入为执行参数。
- 剧本执行与状态跟踪 — 执行剧本中的自动化操作，实时记录每一步的执行状态与输出。
- 执行结果验证 — 自动检查故障是否恢复，必要时触发二次执行或升级为人工介入。
- 通知与审计归档 — 将执行结果、耗时、变更记录发送至 IM/邮件，并写入审计数据库。
常见陷阱： 很多团队在步骤 5（结果验证）上投入不足，导致剧本“执行成功”但故障未恢复。务必在剧本末尾加入明确的验证断言，例如检查进程状态、接口响应码、业务指标阈值。
1.4 课程目标与适用人群
| 维度 | 详细说明 |
|---|---|
| 课程目标 |
|
| 适用人群 |
|
| 前置知识 |
|
1.5 课程内容全景图
本课程共 30 章，分为 5 大模块，从基础概念到高级实战逐步深入。
学习路径建议： 如果你已有 Runbook 编写经验，可以直接从模块二开始；如果团队尚未建立标准化 Runbook 体系，建议从模块一逐章学习，打好基础。