用途：这是 Honeycomb 可观测性方法论的入门概念技能，用于为建议提供理论依据并回答概念性问题；SDK 配置与具体工具用法需参考 otel-instrumentation 和 query-patterns 技能。
主要概念：可观测性指无需为新问题部署新代码，就能通过系统产出的数据理解并解释系统可能进入的任何状态。宽事件是扁平键值记录，捕获一次工作单元的全部上下文，如请求方、端点、缓存命中、构建版本、耗时、错误状态等；在 OpenTelemetry 中 span 即宽事件。高基数指字段唯一值数量，高维度指事件上不同字段的数量。
与监控的差异：可观测性面向事先未知的任意问题，数据形态在查询时决定，高基数有价值，调查方式是探索→缩小→确认；传统监控面向预定义问题，形态在埋点时决定，高基数昂贵，方式是看仪表盘→升级处理。
为何用宽事件：数据形态限制后续能提的问题。指标在埋点时预聚合掉上下文，宽事件保留上下文，让分析形态在查询时决定。span 上每个属性都是可查询维度，可把 user.id、deployment.version、cache.hit 放在同一 span 中关联查询。
事件、指标、日志：结构化事件保留完整请求上下文，不丢弃原始事件，支持任意维度 GROUP BY、过滤与 BubbleUp，成本随事件量线性增长，适合调查与根因分析；指标是带低基数标签的预聚合数字，丢弃单请求与高基数维度，成本随维度数指数增长，适合廉价告警与长期趋势；日志按行记录文本或结构化字段，缺少跨行关联，适合审计与罕见事件。
核心分析循环：定义→可视化→调查→评估。定义即从告警、SLO 预算消耗或用户报告框定问题；可视化用查询看问题形态；调查用 BubbleUp 自动对比异常与基线并做追踪分析；评估通过有无疑似原因的对比查询确认假设，然后继续循环。BubbleUp 依赖事件有足够维度可对比。
埋点与调查的关系：span 上每个属性都是 BubbleUp 可用的维度，最重要的属性回答谁受影响、什么变了、瓶颈在哪。应针对凌晨三点会问的问题埋点，而非追求完整；若 BubbleUp 无有用结果，通常是埋点缺口。埋点应像测试一样作为开发实践，规划功能时规划遥测，在代码评审中检查，并在事后补充缺失维度。
限制：本技能为概念性内容，不提供 SDK 配置步骤；具体属性目录与 SDK 用法见其他技能，资料未提供收费、价格与平台信息。