SRE（Site Reliability Engineer，站点可靠性工程师）的核心目标是通过技术手段提升系统稳定性，其工作覆盖性能优化、容量规划、监控预警、故障诊断及自动化处理等多个环节。 以下从系统稳定性提升、On-call职责、新人融入及CodeReview流程四个方面展开说明：一、如何提高系统稳定性？性能优化与容量规划数据库瓶颈：针对慢查询问题，需通过SQL优化（如索引优化、查询重写）减少响应时间；空间不断增大时，需定期清理无效数据或归档历史数据。应用瓶颈：简化RPC调用链（如合并冗余调用、优化服务拆分），降低工作流复杂度；通过JVM调优（如堆内存配置、GC策略调整）提升应用性能。监控预警体系优化清理无效报警：删除历史无效预警，减少噪音干扰，提高预警真实性。统一接收人与等级：确保预警仅投递至正确接收人，按严重程度划分等级（如致命预警通过电话通知，普通预警通过钉钉）。自动化处理：对重复性报警（如日志磁盘空间不足）通过优化Log Rolling策略实现自动化清理。故障诊断与影响分析全链路Trace模型：通过TraceID打通调用链路，快速定位故障点。核心场景诊断模型：针对高频故障场景（如核心链路超时）训练诊断模型，实现快速突破。影响面分析：自动评估故障对用户、资源、资金的影响，指导快速恢复与善后。二、On-call的职责是什么？监控与紧急响应实时处理生产环境预警，协同业务团队解决紧急故障（如服务不可用、数据错误）。稳定性隐患排查深入分析系统日志、SLO指标（如错误率、延迟）、慢SQL等，挖掘潜在风险。全链路巡检定期检查核心业务指标（如RDS健康度、接口成功率），确保系统运行在可控范围。故障复盘与经验沉淀参与GOC故障（全局运营中心故障）及线上稳定性问题的复盘，总结处理流程与改进方案。三、新人如何快速加入On-call？模版化与知识库支持提供On-call操作模版，明确处理步骤（如故障分类、优先级判断）；建立知识库（如“红宝书”），汇总历史案例与解决方案。实践与轮值机制通过轮值参与实际On-call任务，在导师指导下处理预警与故障，积累实战经验。CodeReview流程融入参与代码审查，熟悉研发规范（如开发环境配置、编码风格），理解系统架构与潜在风险点。四、CodeReview流程规范统一研发规范制定开发环境规范（如依赖库版本管理）、编码规范（如命名规则、注释要求）及集团开发规约。CodeReview Checklist检查代码是否关联Issues（确保需求/任务可追踪）、静态扫描是否通过（无Block级问题）。关联与追踪要求Git Commit消息明确关联需求或缺陷ID，形成代码-任务-故障的完整链路。总结SRE的核心价值在于通过技术手段将系统稳定性从“被动救火”转向“主动预防”。其工作需结合性能调优、监控自动化、故障模型训练等手段，同时通过规范的On-call机制与CodeReview流程确保问题可追踪、经验可沉淀。新人融入需依赖模版化指导与实战轮值，而CodeReview则是保障代码质量与系统可维护性的关键环节。