跳转至

运维 · 角色指南

假设你已读过 docs/00_overview/ 与 docs/01_onboarding/。

你的工具箱

工具 用途
kubectl + argocd-cli k8s + GitOps
czerp-gitops 仓库 k8s 部署清单 / Kustomize overlays / ArgoCD apps（Helm 仅第三方中间件）
Jenkins CI 流水线
Prometheus + Grafana 应用指标
Sentinel Dashboard 限流 / 熔断
Spring Boot Admin (ifinmate-admin) 服务健康
日志中心 ELK / Kibana
本仓库 czerp-ops k8s / GitOps / 监控 cookbook

本角色推荐方法：GitOps（ArgoCD 声明式，Jenkins 直推 gitops main、无 PR 门；人工动 overlay/清单时约定 review）+「建议 → 人审 → 执行」的 AI-SRE 纪律（诊断只读可 AI 自主，变更动作人执行）+ 事故后 runbook / 复盘沉淀到 PingCode。

高价值工作流（触发 → AI 做什么 → 人怎么验）

# 触发 AI 做什么 人怎么验
告警三角化 告警进来 关联近期部署 + 活跃事故，路由 + 定严重度 确认路由/定级；规则调整改 gitops 清单（约定 review 后进 main，无强制 PR）
事故 根因分析 服务不健康 链路(SkyWalking)/指标(Prometheus)/日志关联，给候选根因 核证据链；只读 AI 自主，变更人确认
Runbook/复盘 处置后 结构化 runbook + postmortem 草稿入 CZKB 补业务影响面，去敏感后入库
GitOps 变更 发版 / 中间件 解读 Jenkins 直推 main 的镜像 tag diff/同步状态 + 标回滚信号；人工动 overlay 时生成清单改动 审 Jenkins 直推 main 的 diff / 人工动 overlay 时的 review；回滚/中间件人执行（🔴）
可观测查询 排障巡检 自然语言转 PromQL / 日志查询 核数据口径（mysql 仅元数据等项目特例）

新增 skill：db-operations-and-rollback、incident-response-runbook。

一天典型流程

早上：
- 看监控 dashboard（昨晚 nightly 跑通了吗？告警有未处理的吗？）
- 看 ArgoCD（有未同步的应用吗？）

平时：
- 审 Jenkins 直推 main 的镜像 tag diff / 人工动 overlay 时的 review
- 中间件变更 / 巡检
- 处理钉钉 oncall 告警

发版日：
- 协助开发上 release：image 推私服 → Jenkins 直推 gitops main（无 PR） → ArgoCD AutoSync
- 监控滚动状态 → 出现回滚需求立即回滚

事故：
- k8s-troubleshooting cookbook
- 回滚后写复盘 → PingCode 知识库

必读 skills

  1. environment-info — 环境矩阵
  2. k8s-troubleshooting — 故障 cookbook
  3. gitops-deploy — ArgoCD 发版
  4. cicd-pipeline — Jenkins 流水线
  5. monitoring-and-alerts — Prometheus + 告警

铁律

  1. 生产改动必双人：一人执行 + 一人复核 + 钉钉群广播。（当前最高环境为 uat / 准生产，无独立 prod）
  2. 不要在 uat 直接 kubectl apply / kubectl edit — 一切走 czerp-gitops（声明式）。注意当前发版是 Jenkins 直推 gitops main + ArgoCD AutoSync，无 GitOps PR 人审门；改 gitops 仓库/Jenkinsfile 本身才需 review。
  3. uat 临时调试要先暂停 AutoSync：三套环境（dev/test/uat）ArgoCD 全开 AutoSync + selfHeal，不暂停手改会被拉回。
  4. 回滚优于打补丁：任何 uat 异常先回滚到上一稳定版。回滚后必须把 czerp-gitops 的镜像 tag 同步改回旧版，否则 selfHeal 会按 git 当前值把新版拉回（见 03_release.md）。
  5. 中间件改动先 dev → test → uat，每步至少 24h 观察。

与各角色协作

  • 给开发：环境信息（端口 / 账号 / namespace ID）走环境清单，不要 chat 里贴。
  • 给 PM：上线后通过钉钉通知"X 故事已上线"。
  • 给 QA：上线前/后通知，QA 决定是否触发回归。
  • 给 Tech Lead：重大事故 / 变更必同步。

常见错误

  • ❌ 凭"上次都这么做"在 uat 手动 kubectl edit（会被 selfHeal 拉回）
  • ❌ image tag 用 latest
  • ❌ 回滚只在集群里改而忘了同步改回 czerp-gitops 的镜像 tag（被 selfHeal 拉回新版）
  • ❌ 告警淹没未及时清理 oncall
  • ❌ 中间件升级当天还跑业务变更

进一步