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。
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
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。
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。
Zabbix / 老监控系统如何平滑演进到现代可观测平台
从 Zabbix 和老监控系统平滑演进到现代可观测平台的迁移路线，覆盖存量资产盘点、并行运行、Prometheus/OpenTelemetry 指标标准化、日志链路补齐、对象健康视图、告警入口、事件墙、SLO、巡检和老系统下线条件。
可观测性平台怎么选：开源组合、自研平台和商业平台的边界
本文从目标、团队能力、事故现场、长期成本和稳定性治理出发，比较开源组合、自研平台和商业可观测平台的适用边界，帮助企业选择更适合自己的可观测性建设路径。
Flashcat POC 验收清单：如何判断一体化可观测平台是否真的有价值
本文提供一套更贴近真实故障场景的 Flashcat POC 验收清单，帮助企业从数据复用、灭火图对象模型、下钻路径、告警闭环、业务指标、事件墙、SLO 和 FlashAI 判断一体化可观测平台是否真正有价值。
夜莺 v9 AI：给每个 SRE 配一个 7x24 在线的资深副驾驶
夜莺 v9 把团队最资深 SRE 的经验装进了系统：告警真假判定从 20 分钟缩到 2 分钟、告警事件分析、自然语言一句话搭起监控、19 个开箱即用 Skill 还能写出贴合自己场景的 Skill，而且数据可以完全不离域。本文系统介绍夜莺 v9 的 AI 能力、五大场景与安全边界。
如何为一个电商系统建设灭火图：接口、服务、组件、基础设施四层模型
以典型电商系统为例，说明如何按功能接口层、微服务层、标准组件层和基础设施层建设灭火图，让故障现场能快速判断影响范围和下一步排障路径。
Flashcat vs Grafana + Prometheus + ELK：差异不在数据展示，而在故障处理路径
对比 Flashcat 与 Grafana、Prometheus、ELK 等开源可观测性组合，说明真正差异不在数据展示能力，而在围绕故障发现、定位和恢复的一体化处理路径。
BigPanda 的价值不在会聊天，而在把告警风暴变成可调查事故
BigPanda 的 AI SRE 路线不是让大模型直接猜根因，而是先把多源告警、变更、拓扑、历史事故和工单知识聚合成可调查、可分派、可自动化的 incident，再让 AI 做解释、分诊和 L1 自动化。
AI Agent 框架怎么选？不要先看热度，先看你到底要控制什么
AI Agent 框架选型指南：不要先看热度，而要看控制权、状态恢复、流程编排、RAG 数据层、云生态、评测和生产可控性，再决定 LangGraph、ADK、OpenAI Agents SDK、LlamaIndex、Haystack、Pydantic AI、Mastra 或 CrewAI。
