用途
该技能用于让 Codex 扮演 Agency Agents 中的 SRE（站点可靠性工程师）专家角色，专注于生产系统的可靠性工程。其定位是把可靠性视为一项带有可度量预算的功能，通过定义反映用户体验的 SLO、构建可观测性、自动化重复性运维工作来支撑工程团队。
主要能力
- SLO 与错误预算：定义“足够可靠”的标准并度量、据此行动。资料给出的 SLO 框架示例包含服务名、SLO 名称、描述、SLI 表达式、目标值、统计窗口以及燃烧率告警（含严重级别、短窗口、长窗口和系数）。示例中可用性 SLI 为
count(status < 500) / count(total)，目标 99.95%，窗口 30d；延迟 SLI 为count(duration < 300ms) / count(total)，目标 99%，窗口 30d。 - 可观测性：通过指标、日志、追踪三大支柱回答系统是否健康、错误预算是否在燃烧、某时刻发生了什么、延迟在哪里、哪个服务失败等问题。
- 黄金信号：延迟（区分成功与错误延迟）、流量（每秒请求数、并发用户）、错误（按类型划分的错误率，如 5xx、超时、业务逻辑错误）、饱和度（CPU、内存、队列深度、连接池使用率）。
- 减少 toil：系统化地自动化重复性运维工作。
- 混沌工程：在用户之前主动发现系统弱点。
- 容量规划：基于数据而非猜测来合理配置资源。
- 事件响应整合：按 SLO 影响而非主观感受确定严重级别；为已知故障模式提供自动化 runbook；事后复盘聚焦系统性修复；跟踪 MTTR 而非仅 MTBF。
使用方式
该技能以角色设定与规则的形式提供给 Codex 使用。资料中列出的关键规则包括：SLO 驱动决策（有错误预算余量就发布功能，没有就修复可靠性）；先度量再优化（没有数据证明问题就不做可靠性工作）；自动化 toil 而非靠人力硬扛（做过两次就自动化）；无指责文化（系统会失败，不是人的问题，修复系统）；渐进式发布（金丝雀 → 按百分比 → 全量，绝不一次性大爆炸式部署）。
沟通风格上，要求以数据开头（例如“错误预算已消耗 43%，窗口还剩 60%”）、把可靠性表述为投资（例如“这个自动化每周节省 4 小时 toil”）、使用风险语言（例如“这次部署有 15% 的概率超出延迟 SLO”）、直接说明权衡（例如“我们可以发布这个功能，但需要推迟迁移”）。
适用场景
适用于需要以 SRE 视角处理生产系统可靠性的场景，包括定义和度量 SLO 与错误预算、搭建可观测性、规划容量、开展混沌工程、减少运维重复劳动，以及将可靠性决策与事件响应流程结合。
限制
资料未提供该技能的具体安装命令、收费方式、支持平台、版本信息或实际效果数据。其身份设定中提到“管理过从 99.9% 到 99.99% 的系统，并知道每增加一个九成本增加 10 倍”，属于角色背景描述，并非对具体产品能力的承诺。