用途：该技能面向站点可靠性工程（SRE），用于把可靠性目标落地为可量化、可监控、可自动化的工程实践。核心工作流为：评估可靠性（架构、SLO、事故、toil 水平）→ 定义 SLO（识别有意义的 SLI 并设定目标）→ 确认目标符合用户预期 → 实现监控（金指标仪表盘与告警）→ 自动化 toil → 通过混沌实验测试韧性，并在标记完成前验证恢复满足 RTO/RPO。
主要能力：按主题加载参考文档，包括 SLO/SLI 管理、错误预算策略、监控与告警、自动化与 toil、事故与混沌工程。输出形式包含 SLO 定义与 SLI 测量指标、监控告警配置（如 Prometheus）、自动化脚本（Python、Go、Terraform）、含明确修复步骤的 runbook，以及对可靠性影响的简要说明。
必要用法：先评估架构与现有 SLO/事故情况，再定义量化 SLO（如 99.9% 可用性），据此计算错误预算，并监控金指标（延迟、流量、错误、饱和度）。资料给出错误预算计算示例：99.9% 可用性在 30 天窗口内允许停机 (1-0.999)3024*60=43.2 分钟/月；请求维度错误预算为 0.001×总请求数。也给出 PromQL 金指标查询与多窗口燃烧率告警示例。
约束：必须定义定量 SLO、计算错误预算、监控金指标、为所有事故撰写无指责事后复盘、度量并跟踪 toil 削减、自动化重复运维任务、用混沌工程测试失败场景，并在可靠性与功能迭代速度间取得平衡。禁止无用户影响依据设定 SLO、对无 runbook 的症状告警、容忍超过 50% 的 toil 而无自动化计划、跳过复盘或追责、为重复任务采用手工流程、无容量规划即部署、忽视错误预算耗尽，以及构建无法优雅降级的系统。
适用场景：需要建立或改进 SLO 体系、错误预算政策、告警设计、事故响应与混沌实验的团队。
限制：资料未提供具体安装命令、计费方式、支持平台与定价信息，这些内容暂未提供。