用 catpaw 监控你的监控系统：给 Prometheus 和 Nightingale 加一层外部哨兵
监控系统本身也会失效。本文介绍如何用 catpaw 给 Prometheus、Nightingale、Alertmanager 增加独立外部哨兵，从 systemd、进程、HTTP、磁盘、日志、时间同步和 MCP 等角度降低监控失声与值班盲飞风险。
标签：SRE
汇总 Flashcat 博客中与 SRE 相关的文章，方便按主题连续阅读实践、案例、选型和产品更新。
SRE 相关文章
AI 会替代运维老司机吗？五类产品形态重塑 SRE 与 AIOps
AI 短期不会直接替代运维岗位，但会优先替代依赖个人经验、上下文记忆和人工协同的工作方式。本文从调查型 Agent、协同控制台、自动化护栏、平台工程和组织记忆系统五类产品形态，分析 AI 时代运维体系的演进方向。
如何采用 SRE 实践（当你不是 Google 时）
非 Google 公司如何采用 SRE 实践：从 SRE 团队组建、成熟度模型、SLI/SLO/SLA 实践到监控自动化，一步步落地站点可靠性工程，提升系统性能和可靠性。
SRE解决的核心问题究竟是什么？
SRE 解决的核心问题是研发不懂运维、运维不懂研发的割裂问题。通过自动化工具和软件工程方法，SRE 确保系统增长时运维人力不会线性增加，实现运维的敏捷来支撑研发的敏捷。
从症状到解决方案：排查 Java 内存泄漏与内存溢出错误
本文介绍了如何识别和排查 Java 应用中的内存泄漏和内存溢出错误，提供了实用的技巧和工具，帮助工程师快速定位并解决内存相关问题。
给首次担任专家级 SRE（网站可靠性工程师）的几点建议
本文分享了首次担任专家级 SRE 的一些建议，涵盖了思维模式的转变、团队协作、技术领导力等方面，帮助新晋专家级 SRE 更好地适应角色并推动系统可靠性。
在 Kubernetes 中构建统一的 OpenTelemetry 流水线
通过 OpenTelemetry 在 Kubernetes 集群中实现指标、日志和追踪数据的统一流水线，提升可观测性和故障排查效率。
SRE 实践真经：可观测性、SLOs、Runbooks 与事故报告
本文聚焦于将可观测性转化为可靠性的人员体系，介绍如何定义能指导决策的 SLO、构建可扩展团队知识的运行手册、设计能推动改进的结构化事后分析，以及如何将这些实践融入工程文化。
Kafka集群故障排除：常见问题及解决方案
本文介绍了在管理Kafka集群时常见的问题及其解决方案，帮助运维人员快速定位和解决Kafka相关故障。
Elasticsearch 常见问题排查方法
Elasticsearch 本身是一款复杂的软件，而当你启动多个实例以形成集群时，其复杂性会进一步增加。这种复杂性伴随着出现问题的风险。在本节课中，我们将探讨一些你在 Elasticsearch 使用过程中可能会遇到的常见问题。
NetFlix SRE 实践
这是来自 NetFlix 的 CORE 团队的 SRE 工程师 Hank Jacobs 分享的 NetFlix SRE 实践，介绍了 NetFlix CORE 团队的职责、工作方式以及他们如何确保 Netflix 服务的稳定性和可靠性。
掌握这些能力，工资翻倍不成问题
想要在 SRE 职业生涯中实现工资翻倍？本文将介绍 SRE 需要掌握的关键能力，从硬核技术到跨团队协作，帮助你在竞争中脱颖而出。
大厂出手了，微软推出 SRE agent 做故障定位
介绍微软 Azure SRE Agent 的能力与工作方式，涵盖事件响应、日志和指标分析、根因定位、安全检查与自动止损等场景。
如何处理复杂系统 - 我在 Google 工作时学到的
在 Google 工作时学到的关于复杂系统的经验和处理方法。
运维想转SRE？先了解这7个原则
SRE （站点可靠性工程）是一种将运维问题视为软件问题的方法。本文介绍了 SRE 的七项原则，帮助运维人员转型为 SRE 专家。
SRE 最应该监控的四大黄金指标
本文详细介绍了 SRE 最应该监控的指标，通过引入 Google 4 Golden Signals、RED、USE 等方法论，并配合 Prometheus 配置说明，全面梳理讲解了各类关键指标的定义、计算方法和应用场景，帮助读者深入理解 SRE 监控的核心要素。这些知识是算是 SRE 的必备知识了。
什么样的项目，可由运维负责稳定性？
什么样的项目，或者说项目达到什么标准，可由运维人员来共担稳定性？本文从可用性、性能、可观测性、SOP 等方面，给出一些建议。
运维的价值为何经常被挑战？哪些工作更有价值？
运维这个工作岗位，作为业务背后的团队，做的很多工作不容易被看到，容易被挑战工作的价值，本文尝试来聊一下这个话题，看看运维工作应该侧重在哪些方向
实施 SLA、SLO 和 SLI：SRE 实用指南
探索相关术语定义以及 SLA、SLO 和 SLI 如何帮助有效监控和维护系统性能。
运维工程师（SRE）必须掌握的技能有哪些？
运维工程师、SRE，应该掌握哪些技能才算合格？
