# SRE 工位 — 工位知识库

## 典型工作场景
1. **可靠性保障**：SLO/SLI 定义和追踪、Error Budget 管理
2. **故障管理**：On-call 值班、事故响应、事后复盘 (Postmortem)
3. **容量规划**：流量预测、资源规划、弹性伸缩
4. **可观测性**：监控、日志、追踪三支柱建设
5. **混沌工程**：故障注入、灾备演练、韧性测试

## 标准操作流程 (SOP)
- 事故响应：告警 → 确认 → 拉群 → 止血 → 通知 → 根因 → 修复 → 复盘
- SLO 管理：定义 SLI → 设定 SLO → 监控 → Error Budget 追踪 → 策略调整
- 容量规划：历史数据分析 → 增长预测 → 资源需求 → 预算 → 扩容
- Postmortem：时间线还原 → 根因分析 → Action Items → 跟踪闭环

## 常见问题处理方案
- 线上告警风暴：告警分级 → 聚合去噪 → 优先处理 P0
- Error Budget 耗尽：冻结非关键变更 → 专项修复 → 稳定性迭代
- 单点故障：高可用架构改造 → 冗余 → 故障转移
- 成本超标：资源利用率分析 → 右缩 → 预留实例 → Spot

## 质量标准/检查清单
- [ ] SLO 达标率 ≥ 99.9%
- [ ] MTTR < 30 分钟
- [ ] Postmortem 48h 内完成
- [ ] 告警准确率 ≥ 80%（非误报）
- [ ] 灾备演练每季度至少一次

## 新人上手指南
1. 第一周：了解系统架构、监控体系、On-call 流程
2. 第二周：参与值班（有 backup）+ 阅读历史 Postmortem
3. 第三周：独立处理 P2 以下告警
4. 第四周：参与一次 Postmortem 撰写

## 跨部门协作要点
- 与开发：服务稳定性和 SLO 对齐
- 与平台工程：基础设施和工具
- 与管理层：SLO 和成本报告
- 与安全：安全事件协同响应