3. Runbook 基础：定义、对比与生命周期
Runbook（运行手册）是运维领域最古老也最核心的文档化实践。在事件驱动与 IaC 审计的语境下，Runbook 不再只是一份静态的“操作说明书”，而是可执行、可审计、可自动化的知识载体。本节将厘清 Runbook 的本质、手动与自动化的核心差异，并拆解其典型生命周期。
3.1 什么是 Runbook
Runbook 是一份结构化的操作流程文档，用于指导运维人员或自动化系统在特定场景下执行一系列标准步骤。其核心目标包括：
- 标准化：消除操作中的“个人经验依赖”，确保每次执行结果一致。
- 可重复：无论是日常巡检、故障恢复还是变更部署，都能按同一套流程复现。
- 可审计：每一步操作都有据可查，满足合规与事后复盘需求。
- 降低 MTTR：在事件发生时，Runbook 直接指导恢复路径，减少决策时间。
关键认知： Runbook 不是“操作手册”的简单电子化。在 DevOps 体系中，Runbook 是“可执行的代码”——它应当能被版本控制、自动化触发、并纳入 CI/CD 管道。
3.2 手动 Runbook vs 自动化 Runbook
理解两者的差异是迈向自动化运维的第一步。下表从多个维度进行对比：
| 对比维度 | 手动 Runbook | 自动化 Runbook |
|---|---|---|
| 执行主体 | 人工（运维工程师） | 自动化引擎（如 Ansible、Terraform、自定义脚本） |
| 触发方式 | 人工阅读文档后手动执行命令 | 事件驱动（Webhook、告警、定时器）或 API 调用 |
| 一致性 | 依赖操作员技能水平，易出错 | 每次执行结果严格一致，无人为偏差 |
| 审计能力 | 依赖事后日志或人工回忆 | 每一步均有结构化日志、输出和状态记录 |
| 版本管理 | Word/PDF 文档，难以追踪变更 | 代码化（Git 管理），可 diff、可回滚 |
| 适用场景 | 低频、非标准、需要人工判断的复杂操作 | 高频、标准化、可预测的重复操作 |
实践建议： 不要试图一次性将所有 Runbook 自动化。优先选择“高频 + 低风险”的场景（如重启服务、清理磁盘、扩容实例），逐步积累自动化覆盖率。
3.3 Runbook 的典型生命周期
一个成熟的 Runbook 从创建到退役，通常经历以下五个阶段。下图展示了这一闭环流程：
各阶段的核心活动与产出物如下：
| 阶段 | 核心活动 | 关键产出物 |
|---|---|---|
| 1. 设计 | 识别运维场景、定义触发条件、绘制流程图、确定输入/输出参数 | Runbook 设计文档、流程图、验收标准 |
| 2. 编码 | 将流程转化为可执行代码（YAML/Python/HCL），纳入 Git 仓库 | Runbook 代码文件、单元测试用例 |
| 3. 测试 | 在隔离沙箱中执行，验证逻辑正确性、边界条件与回滚能力 | 测试报告、安全扫描结果 |
| 4. 发布 | 将 Runbook 注册到自动化平台，绑定事件源（告警/Webhook/定时器） | 发布记录、事件绑定配置 |
| 5. 运维与改进 | 监控执行指标、收集失败案例、定期复盘并优化流程 | 执行日志、指标看板、版本迭代记录 |
常见陷阱： 很多团队在“编码”阶段投入大量精力，却忽略了“设计”和“持续改进”。没有清晰的设计，Runbook 容易变成“一次性脚本”；没有持续改进，Runbook 会随着环境变化逐渐失效。务必为每个 Runbook 设置“版本号”和“最后审查日期”。
3.4 代码化 Runbook 示例
以下是一个简单的自动化 Runbook 代码片段（使用 YAML 描述），用于在检测到磁盘使用率超过阈值时自动清理临时文件：
# runbook_disk_cleanup.yaml
name: "磁盘空间自动清理"
version: "1.2.0"
trigger:
type: event
source: prometheus_alert
condition: "disk_usage > 85%"
steps:
- name: "检查磁盘分区"
action: "shell"
command: "df -h /data"
timeout: 10
- name: "清理临时文件"
action: "shell"
command: "find /data/tmp -type f -mtime +7 -delete"
timeout: 30
- name: "验证清理结果"
action: "shell"
command: "df -h /data | tail -1 | awk '{print $5}'"
timeout: 10
rollback:
- name: "回滚：无操作（清理不可逆，仅记录）"
action: "log"
message: "磁盘清理已完成，无法回滚。请确认业务影响。"
output:
- "清理前使用率"
- "清理后使用率"
- "清理文件数量"