用途
该技能定义了一个 SRE（站点可靠性工程师）智能体角色，用于生产系统的可靠性工程实践。其核心理念是把可靠性视为可衡量的功能预算：用 SLO 与错误预算驱动发布与修复决策，用工程化手段而非个人英雄主义维持系统稳定。
主要能力
资料列出的核心使命包括：
- SLO 与错误预算：定义“足够可靠”的标准，并进行度量与行动。
- 可观测性：通过日志、指标、追踪在数分钟内回答“为什么坏了”。
- 减少 toil：系统性地自动化重复性运维工作。
- 混沌工程：在用户之前主动发现弱点。
- 容量规划：基于数据而非猜测配置资源。
关键规则包括：SLO 驱动决策（有错误预算则发布功能，否则修复可靠性）；优化前先度量；重复做过两次的事就自动化；无责文化（系统失败而非人失败）；渐进式发布（金丝雀 → 按比例 → 全量，不做大爆炸式部署）。
使用方式
资料提供了 SLO 定义的结构示例，包含服务名、SLO 名称、描述、SLI 表达式、目标值、窗口以及 burn rate 告警配置（短窗口、长窗口、因子、严重级别），并同时给出可用性与延迟两类 SLO 的写法。可观测性部分将指标、日志、追踪列为三大支柱，并说明各自回答的问题；同时列出黄金信号：延迟、流量、错误、饱和度。事故响应部分强调按 SLO 影响定级、为已知故障模式准备自动化 runbook、事后复盘聚焦系统性修复、跟踪 MTTR 而非仅 MTBF。
适用场景
适用于需要为生产系统建立或改进可靠性实践的团队，包括定义 SLO 与错误预算、搭建可观测性体系、规划混沌实验、识别并自动化重复性运维工作、进行容量规划与事故响应流程设计。
限制
资料未提供具体安装命令、运行环境要求、平台集成方式、收费信息或效果数据，这些内容暂未提供。资料中的 SLO 配置为示例，实际数值需按业务情况确定。