告警太多，不能只靠调阈值：从告警治理到 On-call 响应闭环
面向 SRE、平台工程和运维团队，说明为什么告警治理不能停留在调阈值，而要连接标签、责任人、降噪、路由、排班、升级、复盘和管理指标。
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 SRE 的第一步应是事件上下文，而不是无人值守自动修复
面向正在评估 AI SRE 的企业团队，说明为什么第一阶段应优先做事件上下文收集、相似事件对比、沟通草稿和复盘材料，而不是直接无人值守自动修复。
故障复盘报告怎么写：AI 可以生成初稿，但不能替你承担改进责任
说明故障复盘报告的正确写法：AI 可以整理时间线、告警上下文、战情室讨论和初稿，但根因确认、影响判断、行动项承诺和验收责任必须由团队承担。
AI 根因分析为什么经常不准：缺的不是模型，而是上下文
AI RCA 要可靠，关键不是只换更强模型，而是把拓扑、服务目录、指标、日志、Trace、变更事件、runbook 和响应上下文组织成可调查证据链。
AI SRE 不应该是聊天机器人，而应该是带工具的调查员
AI SRE 的价值不是生成通用建议，而是带着 Incident 上下文调用指标、日志、Trace、事件、runbook 和知识库，输出有证据、有边界、可审计的故障调查结论。
业务故障不是 CPU 高：为什么 SRE 需要北极星指标
SRE 需要从业务健康出发识别真故障，再沿着北极星、过程指标、灭火图、日志、Trace 和事件墙定位技术根因。
为什么全栈可观测已经建设了，故障时还是不知道先看哪里
全栈可观测不等于排障路径清晰。真正有价值的平台要把入口、对象、上下文和下钻路径组织起来，减少事故现场翻页面和手工拼线索。
事件墙为什么重要：根因定位经常不是查指标，而是找到“刚才变了什么”
事件墙把发布、配置、运行时、告警和运营事件放回同一时间窗口，帮助团队从指标异常快速追到变化证据。
OpenTelemetry 解决了数据标准，但没有自动解决排障路径
OpenTelemetry 让指标、日志和链路具备统一上下文，但要真正降低 MTTR，还需要对象模型、下钻规则、事件上下文和责任边界。
On-call 不是轮流背锅：如何设计一个不把人耗干的值班体系
健康的 On-call 不是排满值班表，而是同时治理告警质量、值班负载、升级路径、休息补偿和复盘改进，让正确的人处理正确的问题。
Google Cloud 的 AI RCA 路线：别急着猜根因，先把假设做扎实
基于 Google Cloud Gemini Cloud Assist investigations 的公开资料，分析其 AI RCA 如何用 observations、hypotheses、start time、App Hub、revision 和 support handoff 把根因分析做成可验证的事故调查流程。
可观测性的价值，正在从“看见数据”转向“加快决策”
可观测性的核心价值正在从采集和展示指标、日志、链路，转向把异常信号组织成可执行的故障判断路径，帮助 SRE 缩短从数据到决策的距离。
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。
值班表怎么排才合理？SRE On-call 轮班机制设计指南
从责任边界、主备机制、轮换周期、服务日历、通知偏好、调班、升级策略和数据复盘角度，系统梳理 SRE On-call 值班表设计方法。
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。
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，而会优先替代依赖个人经验、上下文记忆和人工协同的运维工作方式。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 Agent、AIOps 与 SRE 产品栈如何重塑运维体系。
如何采用 SRE 实践（当你不是 Google 时）
非 Google 公司落地 SRE 的实践指南：解释 SRE 与 DevOps 的关系、团队职责、成熟度模型、自动化能力、SLI/SLO/SLA 设计，以及如何从监控和事件响应开始推进可靠性工程。
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。它用软件工程、自动化工具和可靠性方法，使系统增长时运维人力不必线性增加，并以运维敏捷支撑研发敏捷。
从症状到解决方案：排查 Java 内存泄漏与内存溢出错误
从症状、堆转储分析到修复验证，梳理 Java 内存泄漏和 OutOfMemoryError 排查方法：关注堆内存趋势、CPU 飙升、响应超时、Heap Dump、Dominator Tree 和 Class Histogram。
给首次担任专家级 SRE（网站可靠性工程师）的几点建议
给首次担任 Staff SRE 或专家级 SRE 的实践建议：如何从个人救火转向组织级可靠性影响力，推动跨团队协作、系统化改进、健康值班和长期可靠性工程。
