SRE

运维工程师（SRE）必须掌握的技能有哪些？

巴辉特 · 2024-07-18

运维工程师、SRE，应该掌握哪些技能才算合格？

SRE接手新业务首要工作：运维准入测试

秦晓辉@快猫星云 · 2023-03-24

如果接手的是一坨随时可能散架的破车，就算SRE有通天之能，也很难通过运维手段给变成布加迪威龙。接手的时候一定要做好准入测试！很多公司会有运维准入规范，但是通常缺少运维准入测试，导致了后续诸多背锅问题。

最佳实践：稳定性保障8个锦囊，建议收藏！

快猫技术 · 2023-10-09

稳定性保障，是一切技术工作的出发点和落脚点，也是 IT 工作最核心的价值体现，当然也是技术人员最容易“翻车”的阴沟。8个稳定性保障锦囊，分享给各位技术人员择机使用。

如何采用 SRE 实践（当你不是 Google 时）

JEMIAH SIUS · 2025-12-26

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。

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

快猫星云 · 2026-06-17

AI 可以整理故障时间线、战情室讨论和复盘初稿，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

快猫星云 · 2026-06-17

AI RCA 要可靠，关键不是只换更强模型，而是把拓扑、服务目录、指标日志链路、事件、runbook 和响应上下文组织成可调查证据。

AI SRE 不应该是聊天机器人，而应该是带工具的调查员

快猫星云 · 2026-06-17

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、事件和知识库，输出可审计的调查结论。

业务故障不是 CPU 高：为什么 SRE 需要北极星指标

快猫星云 · 2026-06-16

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

快猫星云 · 2026-06-16

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”

快猫星云 · 2026-06-16

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

快猫星云 · 2026-06-16

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

快猫星云 · 2026-06-15

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

技术调研 · 2026-06-11

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”

快猫星云 · 2026-06-10

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

快猫星云 · 2026-06-08

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

Flashduty · 2026-05-27

从责任边界、主备机制、轮换周期、服务日历、通知偏好、调班与升级策略等角度，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

快猫星云 · 2026-04-13

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

快猫星云 · 2026-04-13

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。

SRE解决的核心问题究竟是什么？

汪照辉 · 2025-12-26

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

Ram Lakshmanan · 2025-12-10

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。