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。

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。

给首次担任专家级 SRE（网站可靠性工程师）的几点建议

译文 · 2025-12-08

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

译文 · 2025-11-17

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

fatihkoc · 2025-11-14

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

Sean Riley · 2025-10-22

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

译文 · 2025-10-21

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

Hank Jacobs · 2025-08-11

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

快猫运营团队 · 2025-07-16

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

译文 · 2025-06-06

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

Teiva Harsanyi · 2025-05-26

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

译文 · 2025-05-26

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

Ayooluwa Isaiah · 2025-04-28

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？

巴辉特 · 2025-04-07

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。