On-call POC 验收清单：如何判断一个告警响应平台是否值得买
本文提供 On-call 告警响应平台 POC 验收清单，从真实告警接入、标签治理、分派通知、值班升级、告警降噪、故障闭环、协同、状态页、工单集成、分析看板、权限审计和成本模型判断平台是否值得采购。
Flashcat 博客
围绕可观测性、AI SRE、告警治理、On-call、Nightingale、Categraf、Prometheus、Kubernetes、Zabbix、用户案例和产品更新，沉淀一线工程实践、选型参考和稳定性治理方法。
精选内容
最新文章
Flashduty 14 天试用指南：第一天应该接什么、看什么、验证什么
本文提供 Flashduty 14 天试用指南，帮助团队用真实告警验证接入、协作空间、标签、分派策略、值班表、告警降噪、分析看板、IM 协同、状态页、复盘和 License 成本。
从收到告警到故障复盘：一次完整 On-call 闭环怎么设计
本文介绍完整 On-call 故障响应闭环设计，从告警建模、分派策略、通知触达、自动升级、故障详情、作战室、状态页、工单联动到故障复盘，帮助团队把告警处理变成可追溯、可改进的流程。
如何把告警风暴变成可处理故障：一套告警降噪实践
本文介绍 Flashduty 告警降噪实践，从事件、告警、故障模型出发，梳理标签增强、Pipeline 清洗、告警聚合、风暴预警、抖动检测、静默、抑制和 14 天验证方法。
Zabbix 告警太多没人看？如何用 Flashduty 做统一告警响应
本文说明如何保留 Zabbix 监控体系，把告警接入 Flashduty 统一处理降噪、路由、值班升级、协同和复盘分析，解决告警没人看、重复打扰和责任不清的问题。
Prometheus Alertmanager 够用吗？什么时候需要专业 On-call 平台
本文从告警路由、值班表、自动升级、故障对象、IM 协同和数据化管理等维度，拆解 Prometheus Alertmanager 与专业 On-call 平台的职责边界，并说明如何把 Alertmanager 接入 Flashduty 补齐响应闭环。
PagerDuty 太贵？100 人技术团队的 On-call 成本怎么算
本文从处理人、通知接收人、License 席位、通信额度和 Add-ons 等维度，拆解 100 人技术团队评估 PagerDuty 与 Flashduty On-call 成本时容易算错的关键问题。
国内团队如何选择 On-call 平台：Flashduty 与 PagerDuty 对比
本文面向国内技术团队，从协作工具、通知触达、License 成本、监控接入、告警降噪、分派升级和故障闭环等维度，对比 Flashduty 与 PagerDuty，帮助团队选择更适合本土工作方式的 On-call 平台。
ServiceNow 的启发：AI SRE 不只查指标，还要进入企业运维流程
本文基于 ServiceNow 在 Event Management、CMDB、Service Observability、Now Assist、AI agents、LEAP、变更治理和 AI Control Tower 等方向的公开能力，拆解其 AI RCA 如何从告警分析走向企业运维流程，并总结对 AI SRE 产品设计的启发。
PagerDuty 的 AI RCA 不是找一个根因，而是把告警变成可处理的事故
本文基于 PagerDuty 在 AIOps、事件编排、告警聚合、Probable Origin、历史事故和响应自动化方向的公开产品能力，拆解其 AI RCA 如何把分散告警转化为可处理的事故对象，并总结对 AI SRE 产品设计的启发。
Honeycomb 的启发：RCA 不是看平均值，而是找出异常请求到底哪里不一样
本文基于 Honeycomb 在 AI RCA 和 AI SRE 方向的公开产品动作，拆解 BubbleUp、Canvas、MCP、SLO 和高基数字段如何把 RCA 从平均值告警推进到异常样本与正常样本的差异分析。
Datadog 给 AI SRE 定了个主流模板：不是看数据，而是自动查问题
本文基于 Datadog 在 AI SRE 和 AI RCA 方向的公开产品动作，拆解 Bits AI SRE、Watchdog RCA、Change Tracking、Runbook、Incident AI、Dev Agent、MCP 和评估体系如何把可观测性平台升级成会自动调查问题的生产系统智能层。
Grafana 给 AI RCA 提了个醒：不要让大模型猜根因，要让它进工作台
本文基于 Grafana 在 AI RCA 和 AI SRE 方向的公开产品动作，拆解为什么 AI RCA 不能只是聊天框或根因按钮，而要进入指标、日志、链路、Profile、Dashboard、事故时间线和权限体系组成的可观测性工作台。
AI Coding 时代，工程师要学会用可观测性管理半黑盒代码
AI Coding 让代码生产速度变快，也让软件变成半黑盒。工程师需要用可观测性构建运行时证据链，验证质量、定位问题并管理复杂度。
同样使用 Codex、Claude Code，为什么不同人写出来的代码质量仍然不同？
本文讨论 AI Coding 时代代码质量差异的根因：AI Agent 拉平的是编码速度门槛，不会替代工程判断。真正决定产物质量的是任务定义、上下文组织、任务拆解、测试验证、工程品味和对 AI 输出的审查能力。
Neubird 给 AI SRE 提了个醒：真正难的不是回答，而是调查
本文基于 Neubird 的公开产品、文档和技术思路，拆解 AI SRE 和 AI RCA 为什么不能停留在聊天总结，而要围绕自动调查、证据链、MELT+、安全执行环境、runbook 和工作流入口重新产品化排障过程。
Rootly 给 AI RCA 提了个醒：真正重要的不是根因，而是事故上下文
本文基于 Rootly 在 AI SRE、RCA、On-call 和事故管理方向的产品路线，拆解为什么 AI RCA 不能只依赖可观测性数据，而要把告警、协作上下文、会议记录、组织记忆和自动化工作流组织成完整的事故证据层。
一张图掌握 IT 系统健康状态 - Flashcat 灭火图
服务出现故障时，有没有一张图能够呈现出全系统各部分的健康状态，让团队快速找准问题范围，让经理、老板心中有数？灭火图就是这样一张图。更进一步，灭火图本质上是 IT 系统的"知识图谱"，是 Flashcat 实现智能化稳定性保障的核心数据基座。
Flashcat 和其他可观测性产品有何不同？
目前国内外市场上有众多可观测性产品，Flashcat和其他可观测性产品有什么不同？本文从工具、场景、生态、智能化四个角度做全面对比，重点介绍 Flashcat 在 AI-Ready 和 AI Agent 操控平台方面的独特价值。
Flashcat 产品介绍
Flashcat 是基于开源夜莺（Nightingale）实现的统一可观测性产品，同时针对稳定性保障场景做了大量的增强。本文将介绍 Flashcat 都有哪些功能，用了哪些方法，解决了哪些问题。
