该技能用于在实施站点可靠性工程(SRE)实践时提供系统化指导,覆盖从定义 SLO 到容量规划、渐进式发布的完整可靠性生命周期。
用途:当需要定义或修订服务的 SLO、SLI、SLA,计算或依据错误预算行动,识别、度量或自动化 toil,编写或主持事后复盘,设计值班轮换,预测容量或规划负载测试,以及设计发布策略(金丝雀、蓝绿、渐进式)时使用。纯基础设施部署或不带 SLO 背景的应用性能优化不在适用范围内。
主要能力:以错误预算体现风险取舍,明确 100% 可靠性既不可达也不可取;区分 SLI/SLO/SLA 层级及测量方式;给出错误预算与燃尽率的计算口径和多窗口告警思路;定义 toil 的判定属性与自动化优先级;提供事故严重级别、值班最佳实践、复盘时间线与五问框架;给出容量预测步骤、负载测试方法和余量规划表;描述渐进式发布的层级与金丝雀自动回滚判据。资料还列出常见陷阱(如自然月窗口导致预算博弈、单窗口燃尽率告警噪声大、无自动回滚的金丝雀实为手动发布)与反模式对照。
使用方式:资料说明技能激活后首个响应需以帽子表情开头,但未提供具体安装命令或代码示例。其余内容以原则、表格、步骤清单和模板引用形式组织,供团队在定义目标、复盘和发布流程中参照执行。
适用场景:运营生产系统并希望系统化承担可靠性职责的工程团队,用于 SLO 制定、错误预算治理、toil 削减计划、事故复盘和值班体系改进。
限制:资料未涉及具体工具集成、平台支持、收费信息或实施效果数据,相关内容暂未提供;部分细节指向未在资料中展开的模板文件。