inflearn logo

Giao cảnh báo lúc rạng sáng cho AI — Agent vận hành thương mại điện tử và ứng phó sự cố được tạo bằng Claude

[Mục tiêu cuối cùng] Tự tay hoàn thiện một agent vận hành có thể chạy xuyên suốt từ tiêm lỗi → cảnh báo → AI phân tích bước đầu → runbook và phương án xử lý → người phê duyệt thực hiện → đến bản nháp postmortem. Triển khai sàn thương mại điện tử ảo 'Loop Market' bằng Docker và thực hành với Prometheus, Grafana, Loki và Claude.

1 học viên đang tham gia khóa học này

Độ khó Trung cấp trở lên

Thời gian Không giới hạn

Prometheus
Prometheus
grafana
grafana
claude
claude
sre
sre
Model Context Protocol
Model Context Protocol
Prometheus
Prometheus
grafana
grafana
claude
claude
sre
sre
Model Context Protocol
Model Context Protocol

Bạn sẽ nhận được điều này sau khi học.

  • Thêm `runbook_url` vào annotation của alert để bot tự động cung cấp runbook, thông tin trực on-call và dashboard trong kênh sự cố.

  • SLI·SLO và cảnh báo đa cửa sổ theo burn rate chỉ đánh thức người trực khi có 'ảnh hưởng đến người dùng', đồng thời lọc cảnh báo sai bằng bộ kiểm tra quy tắc.

  • Tách bộ thu thập có tính xác định (chỉ số, nhật ký, phiên DB) khỏi bộ đánh giá AI, đồng thời xác thực câu trả lời của AI bằng ID bằng chứng và danh sách hành động được phép.

  • Trang bị các biện pháp bảo vệ để có thể triển khai trong nội bộ công ty: che giấu giá trị bí mật, công tắc ngắt (cờ tính năng), cổng phê duyệt của con người và tài khoản chỉ đọc.

  • Tạo máy chủ MCP quan sát để đọc Prometheus·Loki·Alertmanager, đồng thời áp dụng giới hạn về khoảng thời gian, phạm vi truy vấn và nhật ký kiểm toán ở phía máy chủ.

  • Tự động hóa các báo cáo hằng ngày về bất thường/dấu hiệu báo trước và bản nháp hậu kiểm theo nguyên tắc 'ghi nhận bằng mã, tường thuật bằng AI'.

Mục tiêu cuối cùng — sau khóa học, bạn sẽ tạo ra và vận hành được gì?

Khi tạo sự cố → cảnh báo vang lên → agent truy vấn chỉ số, log và DB để phân tích sơ bộ → đăng liên kết runbook và phương án xử lý lên kênh sự cố (chỉ thực hiện sau khi được người dùng phê duyệt) → khi sự cố được khắc phục, hệ thống còn soạn cả bản nháp báo cáo hậu kiểm. Bạn sẽ tự hoàn thiện và vận hành hệ thống này ngay trên máy tính của mình.

Trong Bài 0 (xem trước miễn phí), chúng tôi sẽ cho bạn xem trước 3 phút phiên bản hoàn chỉnh chạy thực tế. Đây là bản ghi nguyên văn.

  • 23:34:02 — Tiêm sự cố: giữ phiên (hog) khóa bảng đơn hàng trong 200 giây.

  • 23:34:34 — 🚨 Cảnh báo cạn kiệt pool kết nối DB + bot đính kèm liên kết đến runbook, lịch trực on-call và dashboard

  • 23:34:45 — ↳ Mức cạn kiệt nhanh ngân sách lỗi đơn hàng (cảnh báo đánh thức mọi người) được gộp vào cùng một sự cố

  • 23:35:07 — 🤖 AI phân tích sơ bộ: "phiên hog đang khóa độc quyền orders · 8 phiên shop-api đang chờ" (ID bằng chứng D1·D2·M7·L1)

  • 23:35:21 — ✋ Nhân viên trực phê duyệt «kết thúc phiên khóa» → chỉ chạy một lệnh trong danh sách cho phép.

  • 23:37:35 — ✅ Sự cố đã được giải quyết (từ cảnh báo đến khi xử lý xong: 150 giây) → 📝 Bản nháp tổng kết sau sự cố

Trong đồ án capstone cuối cùng, các bạn sẽ tự tay xây dựng lại luồng này từ trạng thái ban đầu.

Điểm khác biệt của khóa học này

  • AI chỉ đưa ra nhận định, còn việc thu thập do code đảm nhiệm. Với mỗi cảnh báo, hệ thống thu thập chỉ số, log và phiên DB bằng truy vấn đã định sẵn; câu trả lời của AI chỉ được đăng lên kênh sau khi vượt qua bước xác minh ID bằng chứng và danh sách hành động được phép.

  • Chúng tôi cũng cho xem nguyên vẹn những lúc AI mắc lỗi. Chúng tôi đưa vào nội dung bài giảng cả những ghi chép về việc không xác định được nguyên nhân khi thiếu bằng chứng từ DB, lẫn lỗi khiến phân tích được đăng lên hai lần do các cảnh báo xuất hiện đồng thời (bản nháp báo cáo hậu kiểm tự phát hiện ra lỗi này).

  • Ngay từ đầu, xây dựng các cơ chế an toàn có thể triển khai trong nội bộ. Che giấu giá trị bí mật, công tắc dừng khẩn cấp (feature flag), cổng phê duyệt của con người, tài khoản chỉ đọc, giới hạn khung thời gian và phạm vi truy vấn của MCP giám sát, cùng nhật ký kiểm toán.

  • Có thể thực hiện đến cùng mà không cần API key. Nếu chuyển bộ đánh giá sang các quy tắc offline, bạn vẫn có thể làm theo cùng quy trình. Nếu có Claude Code hoặc API key, hệ thống sẽ chuyển sang đánh giá bằng AI ngay tại đó.

Sau khi hoàn thành khóa học này

  • Thêm runbook_url vào annotation của alert để bot tự động gửi thông tin về runbook, on-call và dashboard vào kênh sự cố.

  • Với SLI·SLO và cảnh báo đa cửa sổ về tỷ lệ tiêu hao, chỉ đánh thức con người khi có 'ảnh hưởng đến người dùng', đồng thời lọc cảnh báo sai bằng bộ kiểm tra quy tắc.

  • Tách biệt bộ thu thập dữ liệu mang tính tất định (chỉ số, nhật ký, phiên DB) với bộ đánh giá AI, đồng thời xác thực câu trả lời của AI bằng ID bằng chứng và danh sách hành động được phép.

  • Trang bị các biện pháp bảo vệ để có thể triển khai trong nội bộ, gồm che giấu giá trị bí mật, công tắc ngắt khẩn cấp (cờ tính năng), cổng phê duyệt của con người và tài khoản chỉ đọc.

  • Tạo máy chủ MCP giám sát có thể đọc Prometheus, Loki và Alertmanager, đồng thời áp dụng ở phía máy chủ các giới hạn về khung thời gian và phạm vi truy vấn, cùng nhật ký kiểm toán.

  • Tự động hóa báo cáo bất thường và dấu hiệu báo trước hằng ngày, cùng bản nháp hậu kiểm, theo nguyên tắc 'mã lệnh ghi nhận, AI tường thuật'.

Dành cho những đối tượng sau đây

  • Lập trình viên backend trực on-call cho các dịch vụ thương mại điện tử và nền tảng

  • Kỹ sư SRE/DevOps muốn giảm tình trạng mệt mỏi vì cảnh báo và các cuộc gọi lúc rạng sáng.

  • Trưởng nhóm muốn đưa AI vào tự động hóa vận hành nhưng lo ngại về bảo mật và độ tin cậy.

Chương trình học (9 phần · 26 bài · khoảng 173 phút)

  • Phần 0. Xem mục tiêu cuối cùng trước — Bài 0: Xem trước sản phẩm hoàn chỉnh — 3 phút để agent tiếp nhận sự cố lúc rạng sáng

  • Phần 1. Môi trường thực hành — Loop Market — Bài 1: Khởi chạy Loop Market · Bài 2: Đọc chỉ số và nhật ký · Bài 3: Thử tạo ra bốn loại sự cố

  • Phần 2. Cảnh báo và runbook — Bài 4 Từ quy tắc cảnh báo đến kênh sự cố · Bài 5 Bot hướng dẫn trực on-call kèm liên kết runbook · Bài 6 Dọn dẹp cảnh báo sai lệch

  • Phần 3. SLO và burn rate — Bài 7: Xác định SLI và SLO bằng con số · Bài 8: Cảnh báo burn rate đa cửa sổ · Bài 9: Chỉ đánh thức người khi có ảnh hưởng đến người dùng

  • Phần 4. Phân tích sơ bộ bằng AI — Bài 10: Phân tách vai trò — code thu thập, AI đánh giá · Bài 11: Tạo bộ thu thập mang tính tất định · Bài 12: Prompt đánh giá và xác thực đầu ra · Bài 13: Kết nối Claude và cơ chế dự phòng · Bài 14: Bão alert và nhóm sự cố

  • Phần 5. Cơ chế bảo vệ — Bài 15: Che giấu giá trị bí mật · Bài 16: Công tắc tắt tính năng AI · Bài 17: Cổng phê duyệt của con người và chế độ chỉ đọc

  • Phần 6. MCP về khả năng quan sát — Bài 18: Tạo máy chủ MCP về khả năng quan sát · Bài 19: Quy tắc an toàn MCP · Bài 20: Điều tra sự cố bằng Claude Code

  • Phần 7. Báo cáo bất thường và dấu hiệu cảnh báo hằng ngày — Bài 21: Báo cáo bất thường và dấu hiệu cảnh báo hằng ngày · Bài 22: Câu hỏi SRE thông thường và các chỉ số của chúng ta · Bài 23: Tài liệu wiki chính là prompt thực thi

  • Phần 8. Postmortem và đồ án capstone — Bài 24: Viết bản nháp postmortem · Bài 25: Đồ án capstone — Hoàn thiện từ đầu và đưa vào vận hành

Môi trường thực hành

Dựng toàn bộ trung tâm mua sắm trực tuyến LoopMarket chuyên về đồ thể thao và dã ngoại trong môi trường giả lập chỉ bằng một Docker Compose: API cửa hàng (đơn hàng · sản phẩm) · PostgreSQL · Redis · Prometheus · Alertmanager · Grafana · Loki · bộ nhận thông báo từ kênh sự cố · tập lệnh tạo sự cố (độ trễ · 5xx · cạn kiệt kết nối · bùng nổ băng thông bộ nhớ đệm · chậm dần theo thời gian). Agent chỉ sử dụng thư viện chuẩn của python3 mặc định trên macOS. Tài liệu thực hành (ZIP) bao gồm bài tập và đáp án cho từng buổi học, kiểm thử đơn vị, trình kiểm tra quy tắc, mẫu runbook và tài liệu kiểm tra hằng ngày.

Kiến thức tiên quyết

  • Kinh nghiệm sử dụng Docker·docker compose

  • Các khái niệm giám sát cơ bản (chỉ số, nhật ký và cảnh báo)

  • Máy tính xách tay chạy macOS (hoặc Linux có Docker), còn trống ít nhất 4GB bộ nhớ.

Những nội dung không được đề cập trong khóa học này

  • Toàn bộ nội dung nhập môn về cài đặt và vận hành Prometheus·Grafana

  • Vận hành Kubernetes

  • Cách sử dụng một SaaS giám sát thương mại cụ thể

  • Huấn luyện và tinh chỉnh mô hình LLM

Giá thành

Giá niêm yết 99,000 won → giảm giá ra mắt 20% → giá bán 79,200 won

Thông tin

Lời thuyết minh trong slide là giọng nói tổng hợp. Câu trả lời của AI trên màn hình bài giảng là bản ghi thực tế từ quá trình chạy, nên câu chữ có thể thay đổi mỗi lần chạy. Toàn bộ dữ liệu đều là dữ liệu giả lập phục vụ đào tạo (công ty giả lập Loop Market); thời gian và số lượng có thể thay đổi tùy theo môi trường thực thi.

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Lập trình viên backend trực on-call cho các dịch vụ thương mại và nền tảng

  • Kỹ sư SRE/DevOps muốn giảm tình trạng mệt mỏi vì cảnh báo và các cuộc gọi lúc rạng sáng.

  • Trưởng nhóm lo ngại về bảo mật và độ tin cậy khi đưa AI vào tự động hóa vận hành.

Cần biết trước khi bắt đầu?

  • Kinh nghiệm sử dụng Docker·docker compose

  • Khái niệm giám sát cơ bản (chỉ số, nhật ký, cảnh báo)

  • Máy tính xách tay chạy macOS (hoặc Linux có Docker), còn trống ít nhất 4 GB bộ nhớ.

Xin chào
Đây là dorian05202988

Xác minh sự nghiệp

Tôi là một chuyên gia dữ liệu với hơn 20 năm kinh nghiệm trong lĩnh vực cơ sở dữ liệu và CNTT. Trong vai trò DBA và quản lý nhóm Nền tảng Cơ sở dữ liệu, tôi phụ trách các nền tảng cơ sở dữ liệu, với chuyên môn về MySQL, PostgreSQL, Oracle, MongoDB, tinh chỉnh SQL, AWS, Terraform và Python. Dựa trên kinh nghiệm trong các lĩnh vực trò chơi, tài chính và dịch vụ CNTT, tôi trình bày về cơ sở dữ liệu và kiến trúc đám mây. Tôi đã xuất bản 『Học các mẫu SQL tinh chỉnh thực tế Oracle』 và 『Sổ tay ứng dụng dự án thực tế Oracle Pro*C』, đồng thời thuyết trình về serverless, lựa chọn cơ sở dữ liệu và chiến lược đa cơ sở dữ liệu tại AWS Summit 2018·2019 và sự kiện 데이터야 놀자 2020. Gần đây, tôi tập trung vào phân tích và khuyến nghị tinh chỉnh truy vấn chậm bằng Bedrock LLM, tự động hóa việc tính toán thông số DB, cũng như quy trình tra cứu thông qua máy chủ DB Meta MCP và bot Slack. Tôi giải thích về tự động hóa cơ sở dữ liệu dành cho nhà phát triển và việc ứng dụng AI vào công việc dành cho người không chuyên về phát triển thông qua các bài thực hành phù hợp với đối tượng và mục tiêu của từng khóa học. Thay vì áp dụng nguyên xi các đề xuất của AI, tôi truyền đạt các tiêu chí đánh giá như kiểm tra tính tương đương của kết quả, kế hoạch thực thi và điều kiện quan sát; nếu thiếu căn cứ thì tạm thời chưa áp dụng. Dữ liệu vận hành của công ty và thông tin xác thực không được đưa vào tài liệu giảng dạy.

Thêm

Chương trình giảng dạy

Tất cả

26 bài giảng ∙ (2giờ 52phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Chưa có đủ đánh giá.
Hãy trở thành tác giả của một đánh giá giúp mọi người!

Khóa học khác của dorian05202988

Hãy khám phá các khóa học khác của giảng viên!

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!

Ưu đãi có thời hạn

1.623.158 ₫

20%

2.028.948 ₫