如何设计告警标签，后续降噪和分派才不会乱
告警标签要先保证 service、team、env、severity、resource 稳定，再扩展 check、cluster、source。标签稳定以后，Flashduty 的路由、分派、聚合、静默、抑制和分析才会简单。
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
如何配置第一张值班表和升级策略
在 Flashduty 中配置第一张值班表的最短路径：先选试点协作空间，创建主备值班表，再用 Critical 分派策略验证通知、认领、升级和关闭链路。
Chronosphere 的提醒：AI RCA 之前，先管住 telemetry 成本和质量
本文基于 Chronosphere 在可观测性控制平面、DDx、Trace Explorer、Guided Troubleshooting、Temporal Knowledge Graph、Investigation Notebook 和 MCP 方向的公开产品能力，拆解为什么 AI RCA 之前必须先治理 telemetry 成本、质量和权限边界。
AWS 的 AI Ops 路线：云厂商不只看监控，它掌握变更和资源上下文
本文基于 AWS CloudWatch Investigations、Amazon Q Developer 等公开产品能力，拆解云厂商在 AI Ops 和 AI RCA 中如何利用资源、变更、调用链、权限和 runbook 上下文，把排障从聊天问答推进到可追踪的 investigation 工作流。
下钻规则最佳实践：如何把日志、Trace、仪表盘挂到卡片上
灭火图下钻规则不是加链接，而是把异常卡片和日志、Trace、仪表盘、其他卡片、拓扑和只读工作流连接起来。本文压缩总结下钻路径、标签变量、入口范围和验收方法。
卡片规则最佳实践：如何批量生成可维护的灭火图卡片
灭火图卡片不应该靠手工堆出来。本文压缩总结卡片规则的对象建模、元信息、路径、指标、异常条件、更新策略、下钻和验收方法，帮助团队批量生成可维护的灭火图卡片。
10 分钟接入 Zabbix 告警到 Flashduty
用 10 分钟把 Zabbix 告警接入 Flashduty，完成 media type、user、trigger action、测试告警、故障生成和分派通知验证。
10 分钟接入 Prometheus 告警到 Flashduty
用 10 分钟把 Prometheus Alertmanager 告警接入 Flashduty，完成 Webhook 推送、测试告警、故障生成、分派通知和接入检查。
故障复盘报告怎么写？用 AI 自动生成初稿的正确方式
AI 适合把故障详情、时间线、作战室讨论和告警上下文整理成复盘初稿，但根因判断、影响确认和改进项承诺仍然必须由人负责。
Opsgenie/PagerDuty 替代方案怎么选
选择 Opsgenie 或 PagerDuty 替代方案，不是换一个通知工具，而是重建告警接入、降噪、值班分派、通知触达、协同复盘和治理指标这条故障响应链路。
灭火图建设第一步：如何规划空间、分层和观测对象
灭火图建设不要先写规则。先规划空间责任边界、首页分层、首页卡片、详情卡片、标签、健康指标和负责人，才能把监控对象变成可排障、可告警、可复盘的观测对象。
监控告警应该配在底层规则，还是配在灭火图对象上
监控告警不是底层规则和灭火图二选一。底层规则发现技术信号，灭火图对象承接故障响应，北极星指标发现业务影响，三层联动才能减少噪音并提升排障效率。
事件墙在故障定位中的作用：为什么变更、告警和运营事件要放在一起看
事件墙不是附属页面，而是根因分析时间线。把发布、配置、Kubernetes、云事件、告警和运营动作放到同一时间窗口，才能更快判断故障前后发生了什么变化。
业务健康指标怎么设计：北极星指标、SLO 和故障发现入口
业务健康指标不是普通大屏。用北极星发现真实业务异常，用灭火图定位技术对象，用 SLO 管理稳定性目标，才能把可观测性接到业务影响。
自研告警平台还要不要继续维护？成本、能力和风险对比
自研告警平台的真实成本不只是研发和服务器。评估是否继续自研，要看业务语义、维护投入、响应闭环、企业级能力和迁移风险。
MTTA 和 MTTR 怎么算？如何用指标管理故障响应效率
MTTA 和 MTTR 不能单独解释故障响应效率。拆开认领、恢复、响应比例、中断次数、响应投入和告警 TOP，才能定位 On-call 链路到底慢在哪里。
SkyWalking / Jaeger / ARMS 已经有了，还需要统一可观测平台吗
本文讨论已有 SkyWalking、Jaeger、ARMS 等 APM 系统后，为什么仍然需要统一可观测平台，并从链路追踪边界、服务拓扑、灭火图对象模型、跨系统下钻、Flashcat APM 和建设路径说明 APM 与统一可观测平台的关系。
云监控、Zabbix、Prometheus 告警如何统一接入一个平台
本文介绍如何把云监控、Zabbix、Prometheus、Grafana 和自研监控的告警统一接入 Flashduty，从专属集成、共享集成、路由规则、标签规范、Pipeline 清洗、协作空间和治理数据构建统一告警响应层。
飞书、钉钉、企业微信里如何处理告警，才不会淹没在群消息里
本文介绍如何在飞书、钉钉、企业微信中治理告警通知，从群机器人、应用卡片、故障状态、分派认领、升级策略、作战室和标签治理出发，把 IM 告警从群消息升级为可追踪的故障响应。
日志系统不只是检索：如何用日志报表把 Logs 变成 Metrics + Tracing
本文介绍如何用日志报表把结构化日志转成可持续观测的指标，并保留回到日志原文和 Trace 的路径，帮助团队从日志检索升级到趋势分析、维度定位、BubbleUp 和灭火图联动。
