构建生产级可观测性系统：监控、日志与链路追踪指南
解决复杂分布式系统的“黑盒”问题：通过 AI 专家级引导，设计并实现涵盖指标监控、日志聚合和分布式追踪的全链路可观测性方案，确保生产环境的稳定性与快速排障能力。
为什么需要这个技能
在企业级规模的应用中，简单的“运行/停止”检查已无法满足需求。当请求跨越数十个微服务时，传统的单机日志无法定位延迟瓶颈，碎片化的仪表盘也难以反映真实的业务影响。
本技能将 AI 转化为一名资深可观测性工程师（Observability Engineer），它不仅精通 Prometheus、Grafana、ELK 等工具链，更重要的是掌握 SRE（站点可靠性工程）的核心方法论。它能帮你从定义服务水平指标（SLI）开始，构建一套从信号采集、告警收敛到故障复盘的闭环体系，将响应时间从小时级降低到分钟级。
适用场景
- 系统架构设计：为新微服务体系设计全方位的监控、日志和追踪方案。
- 可靠性治理：定义 SLI/SLO 目标，计算错误预算（Error Budget）并制定告警策略。
- 性能调优与排障：分析分布式链路追踪（Tracing）数据，定位生产环境的性能瓶颈或回归问题。
- 成本优化：针对海量日志和高基数指标进行采样优化，降低可观测性基建的存储成本。
核心工作流
- 定义关键路径：识别核心服务、用户关键旅程及可靠性目标（Reliability Targets）。
- 设计信号采集：确定需要采集的信号（Metrics/Logs/Traces），配置 OpenTelemetry 仪表化代码并设定数据保留策略。
- 构建可视化与告警：基于 SLO 构建 Grafana 仪表盘，设计能够平衡“覆盖率”与“噪点”的告警阈值。
- 验证与迭代：通过信号质量校验减少误报，并结合混沌工程（Chaos Engineering）验证系统的韧性。
- 响应闭环：制定自动化 Runbook（操作手册）并集成 PagerDuty/Slack 等响应流程，完成无责备复盘。
下载和安装
下载 observability-engineer 中文版 Skill ZIP
解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。
你可能还需要
暂无推荐