用途
该技能面向IT基础设施运维场景，帮助团队管理基础设施、保障服务可靠性、实施监控与告警策略、处理事件，并通过自动化与最佳实践维持运维水平。核心原则包括：服务可靠性优先、以自动化替代手工流程、遵循ITIL服务管理、追求卓越运营。
主要能力
核心工作流
- 监控与可观测性：定义关键服务的SLI/SLO/SLA，采集基础设施、应用与业务指标，配置带阈值与升级策略的告警，构建面向不同受众的仪表盘，建立on-call轮值与升级流程。
- 事件管理：接收告警或用户报告，评估严重度与影响（P1–P4），召集响应人员，调查根因，实施修复或临时方案，沟通状态，记录到知识库，并开展事后复盘。
- 变更管理：提交变更请求与影响评估，经变更咨询委员会（CAB）审批，安排变更窗口，执行时备好回滚方案，验证成功标准，记录计划与实际结果，关闭变更工单。
- 容量规划：收集资源使用趋势，分析增长模式，预测未来需求，规划采购或供给，执行扩容并监控效果。
- 自动化与优化：识别重复手工任务，记录现有流程，设计自动化方案，实施测试后上线，衡量节省的时间与成本并迭代。
决策框架
- 告警配置决策矩阵：按场景（服务完全中断、服务降级、资源高占用、接近容量、配置漂移）给出告警类型、阈值、响应时间与升级路径。
- 事件严重度分级：P1（关键，全面中断、数据丢失或安全事件）、P2（高，部分中断、明显性能下降）、P3（中，部分用户受影响、非关键功能受损、有临时方案）、P4（低，轻微问题、外观问题或改进请求），并给出各自的响应时限。
- 变更风险评级：风险=影响×可能性×复杂度，得分区间分别对应标准变更（预批准）、普通变更（CAB审查）、高风险变更（大量测试与高级审批）、仅限紧急变更（高层审批）。
- 监控工具选型对比：对Prometheus+Grafana、Datadog、New Relic、ELK Stack、Splunk在成本、指标、日志、链路追踪、学习曲线、云原生、本地部署、APM等维度进行比较。
常见运维挑战及应对
涵盖告警疲劳（告警调优流程与目标指标）、危机中的事件记录（专职记录员、自动时间线、模板化报告）、知识孤岛（结对、运行手册要求、跨训矩阵、轮值）、稳定性与创新的平衡（变更窗口、蓝绿或金丝雀发布、创新时间、沙箱环境）。
关键指标与KPI
服务可靠性指标：可用性、MTTR、MTBF、MTTA、变更成功率、事件复发率，给出公式、目标值与测量周期。 运营效率指标：苦工占比、自动化覆盖率、on-call负载、运行手册覆盖率、知识库利用率。
集成点
与开发团队（设计评审、部署自动化与CI/CD支持、SLO与错误预算共担）、安全团队（安全监控、访问控制、漏洞修补、安全事件响应）、业务方（可用性报告、维护窗口沟通、容量预测、业务连续性）的协作方式。
最佳实践
无指责事后复盘（含复盘模板与规则）、运行手册标准（内容清单与维护要求）、on-call最佳实践（准备、值班中、值班后）、变更管理纪律（标准变更流程与紧急变更流程）。
参考文件
包含监控、事件管理、基础设施、自动化、备份与恢复等主题的参考文档（reference/monitoring.md、reference/incident-management.md、reference/infrastructure.md、reference/automation.md、reference/backup-recovery.md），并给出针对新基础设施、监控搭建、事件响应、自动化项目、灾难恢复规划等不同起点的入门指引。
使用方式
按上述核心工作流逐步实施：先定义SLI/SLO/SLA并搭建监控与告警，再建立事件与变更管理流程，随后开展容量规划与自动化优化；结合决策框架对告警、事件分级、变更风险与工具选型做出判断；依据KPI指标持续度量与改进；针对具体技术细节查阅对应参考文件。
适用场景
需要管理IT基础设施、提升服务可靠性、建设可观测性、规范事件响应与变更流程、进行容量规划与灾难恢复、减少手工苦工并推动自动化的运维团队与相关协作方（开发、安全、业务）。
限制
资料的官方说明中未提供具体价格、收费模式、平台支持范围、安装命令或代码示例等细节，相关内容暂未提供。