如何用 Flashduty 分析看板发现告警噪音来源
本文介绍如何用 Flashduty 分析看板从团队、协作空间、严重程度、时间、中断次数和告警 TOP 等维度定位告警噪音来源，并把治理动作做成可验证的持续改进。
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
SRE 为什么越来越累：问题不在监控太少，而在信号没有变成行动
SRE 的疲惫不在于监控不足，而在于告警、观测数据、响应流程和复盘没有形成从信号到行动的闭环。
如何用 FlashAI 巡检灭火图并自动发送日报
FlashAI 智能定时任务可以按周期巡检 Flashcat 灭火图，生成 HTML 日报并邮件发送给负责人。本文说明巡检日报应该回答什么、如何配置提示词和 cron、以及落地前需要满足的灭火图质量要求。
灭火图健康度怎么计算：飘红、飘绿和灰色分别意味着什么
Flashcat 灭火图健康度用绿色、红色和灰色表达对象状态：绿色表示健康，红色表示异常，灰色表示无足够数据判断。本文说明详情卡片、路径卡片、无数据策略和健康值计算的最短配置原则。
如何设计告警标签，后续降噪和分派才不会乱
告警标签设计要先稳定 service、team、env、severity、resource，再扩展 check、cluster、source。标签标准化以后，Flashduty 的路由、分派、聚合、静默、抑制和噪音分析才可维护。
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
面向 Zabbix 3.x 到 7.x 的 Flashduty 告警接入指南：配置 media type、user、trigger action，验证 Problem、Recovery、Update 事件，并完成故障生成、分派通知和常见问题排查。
10 分钟接入 Prometheus 告警到 Flashduty
本文给出 Prometheus Alertmanager 通过 Webhook 接入 Flashduty 的 10 分钟步骤，覆盖集成创建、receiver 配置、路由验证、测试告警、故障生成和通知分派检查。
故障复盘报告怎么写？用 AI 自动生成初稿的正确方式
系统说明如何写故障复盘报告，以及如何用 AI 基于故障详情、时间线、作战室讨论和告警上下文生成初稿，同时保留人工确认根因、影响和行动项的责任。
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
自研告警平台是否还值得维护，不能只看研发和服务器成本。本文从业务语义、On-call 闭环、通知分派、降噪、权限审计、数据分析、迁移路径和总拥有成本评估取舍。
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。
