在Nightingale中实现飞书机器人@指定人员通知功能
2025-05-21 16:40:18作者:郁楠烈Hubert
背景介绍
Nightingale作为一款开源的监控告警系统,提供了丰富的通知渠道集成能力。在实际生产环境中,及时有效的告警通知对于运维团队至关重要。本文将详细介绍如何在Nightingale中配置飞书机器人实现@指定人员的通知功能。
技术实现方案
1. 飞书用户ID配置
要实现飞书机器人@人功能,首先需要在Nightingale的人员信息中添加飞书用户ID作为联系方式:
- 进入Nightingale系统管理界面
- 在人员信息管理中添加或编辑用户
- 添加名为"feishu_userid"的联系方式字段
- 填写该用户对应的飞书用户ID
2. 通知规则配置
在告警规则中,需要正确配置接收人及其联系方式:
- 创建或编辑告警规则
- 在接收人设置中选择需要@的人员
- 联系方式选择"feishu_userid"
- 确保通知媒介选择飞书机器人
3. 通知模板配置
飞书机器人的通知模板需要特殊配置以支持@人功能。以下是两种常见场景的模板配置:
单人通知模板
{
"msg_type": "interactive",
"card": {
"config": {
"wide_screen_mode": true
},
"header": {
"title": {
"content": "{{$tpl.title}}",
"tag": "plain_text"
},
"template": "{{if $event.IsRecovered}}turquoise{{else}}{{if eq $event.Severity 1}}red{{end}}{{if eq $event.Severity 2}}orange{{end}}{{if eq $event.Severity 3}}grey{{end}}{{end}}"
},
"elements": [
{
"tag": "div",
"text": {
"tag": "lark_md",
"content": "{{$tpl.content}}\n{{if eq $event.Severity 1}}<at id={{$sendto}}></at>{{end}}"
}
}
]
}
}
多人通知模板
{
"msg_type": "interactive",
"card": {
"config": {
"wide_screen_mode": true
},
"header": {
"title": {
"content": "{{$tpl.title}}",
"tag": "plain_text"
},
"template": "{{if $event.IsRecovered}}turquoise{{else}}{{if eq $event.Severity 1}}red{{end}}{{if eq $event.Severity 2}}orange{{end}}{{if eq $event.Severity 3}}grey{{end}}{{end}}"
},
"elements": [
{
"tag": "div",
"text": {
"tag": "lark_md",
"content": "{{$tpl.content}}\n{{if eq $event.Severity 1}}{{range $i, $sendto := $sendtos}}<at id={{$sendto}}></at>{{end}}{{end}}"
}
}
]
}
}
4. 模板变量说明
$tpl.title: 告警标题$tpl.content: 告警内容详情$sendto: 单个接收人的飞书用户ID$sendtos: 多个接收人的飞书用户ID数组$event.IsRecovered: 是否恢复告警$event.Severity: 告警严重级别(1-3)
最佳实践建议
-
严重级别控制: 如示例所示,可以配置仅在严重级别为1(最高级)时才触发@人功能,避免频繁打扰。
-
颜色区分: 利用header中的template字段,可以根据告警状态和级别显示不同颜色的卡片:
- 恢复告警: 蓝绿色
- 严重告警(1级): 红色
- 警告(2级): 橙色
- 提醒(3级): 灰色
-
测试验证: 配置完成后,建议先发送测试告警验证@人功能是否正常工作。
-
用户ID获取: 确保使用的飞书用户ID正确无误,可以通过飞书开放平台接口获取。
总结
通过以上配置,Nightingale系统可以充分利用飞书机器人的能力,实现精准的告警通知和人员提醒功能。这种方案相比简单的群消息通知,能够确保关键人员及时收到告警,提高故障响应速度。根据实际需求,还可以进一步定制通知内容和格式,使告警信息更加清晰有效。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218