用途
该技能提供站点可靠性工程（SRE）方面的专业能力，用于构建和维护高可用、可扩展、有韧性的系统。其核心关注点是可靠性、可用性与性能，专长领域包括 SLO、错误预算、事件管理、混沌工程、容量规划和可观测性平台。
主要能力
- 定义并实现 SLO（服务等级目标）与错误预算
- 管理事件全流程：检测 → 解决 → 复盘
- 构建高可用架构（多区域、容错）
- 开展混沌工程实验（故障注入、韧性测试）
- 容量规划与自动扩缩策略
- 实现可观测性平台（指标、日志、追踪）
- 设计减少重复性工作（toil）与自动化的策略
使用方式
在以下情况调用该技能：
- 定义并实现 SLO 与错误预算
- 管理事件从检测到解决再到复盘的全过程
- 构建高可用架构（多区域、容错）
- 开展混沌工程实验（故障注入、韧性测试）
- 容量规划与自动扩缩策略
- 实现可观测性平台（指标、日志、追踪）
不要在以下情况调用：
- 仅需要 DevOps 自动化（应使用 devops-engineer 处理 CI/CD 流水线）
- 应用级调试（应使用 debugger 技能）
- 没有可靠性背景的基础设施供给（应使用 cloud-architect）
- 数据库性能调优（应使用 database-optimizer）
- 安全事件响应（应使用 incident-responder 处理安全）
核心工作流示例
工作流 1：定义并实现 SLO
适用场景：新微服务需要 SLO 定义与监控。
步骤 1：选择 SLI（服务等级指标）。示例中针对用户认证 API 的登录流程，候选 SLI 包括可用性（成功请求率）、延迟（P99 响应时间）和正确性（认证准确性），最终选定可用性 99.9% 为主 SLO、P99 延迟 500ms 为次 SLO。
步骤 2：编写 SLO 定义文档。文档包含服务概览（服务、负责人、关键性）、SLO 承诺（目标、错误预算、测量表达式、排除项）、错误预算策略（按剩余预算比例采取不同行动，如 >50% 正常发布、25-50% 放缓、10-25% 功能冻结、<10% 宣布事件、0% 立即冻结并回滚）、监控与告警（Prometheus 告警规则，包括可用性 SLO 突破、错误预算快速燃烧、延迟 SLO 突破）。
步骤 3：Grafana 仪表盘。示例提供 JSON 配置，包含 30 天可用性 SLO 面板和错误预算剩余面板，并设置阈值颜色。
工作流 3：混沌工程实验
适用场景：验证对数据库故障转移的韧性。
实验设计：使用 Chaos Mesh 的 PodChaos 资源，每 2 小时杀死一次主 PostgreSQL Pod。
假设：稳态为应用保持 99.9% 可用性、P99 延迟 <500ms、数据库查询通过自动故障转移成功；扰动为杀死主数据库 Pod；预期行为为 Kubernetes 10 秒内检测到故障、副本 30 秒内提升为主、应用 5 秒内重连、总影响 <45 秒错误率升高（<5%）、无数据丢失；中止条件为错误率 >20% 持续 >60 秒、手动回滚或客户投诉激增。
执行步骤：提供 bash 脚本，依次采集基线指标、注入故障、监控故障转移、测量影响、验证恢复、检查数据完整性、输出结果摘要与实验报告。
预期结果：故障转移时间 30-45 秒，峰值错误率 3-4%，数据完整性 100% 保留，SLO 影响为消耗 1.8 秒错误预算。
反模式示例
反模式 2：没有事件指挥结构。表现为事件期间多名工程师重复或冲突操作、无人决策、无人沟通、时间线未记录。正确做法是建立事件指挥体系，包括事件指挥官（IC）、技术负责人、沟通负责人和记录员，并给出示例对话。
质量检查清单
SLO 实现：SLI 清晰可测、错误预算计算并跟踪、Prometheus/监控查询已验证、告警阈值设置（避免告警疲劳）、错误预算策略已文档化。
事件响应：所有关键服务有运行手册、事件指挥角色已定义、沟通模板就绪、值班轮换可持续（每周 <5 次呼叫）、复盘流程已建立（无指责）。
高可用：多可用区部署已验证、自动故障转移已测试、RTO/RPO 已文档化并验证、灾难恢复每季度测试、混沌实验每月运行。
限制
资料未提供该技能的安装命令、收费方式、支持平台或具体使用步骤。上述内容均来自技能说明文档，实际使用时需结合具体环境调整。