Superior Reliability 是一个面向运营可靠性工程的技能,用于设计、实施、评审或改进服务的可靠性。其核心主张是:让关键用户结果在预期故障下保持可靠,并在异常故障后能够恢复;可靠性工作应建立在明确的服务目标、真实故障域和运营责任之上,而不是按清单堆叠重试、熔断器或冗余。
用途与定位
该技能适用于可靠性设计、评审和改进场景,强调先定义可靠性契约,再选择控制措施。它要求先明确关键用户旅程及其支撑的服务或组件边界,可接受的可用性、正确性、延迟、新鲜度和持久性,流量与负载形态、峰值条件和依赖预算,故障域、共享依赖、状态归属和影响范围,实际存在的 SLI/SLO、错误预算、RTO、RPO、保留期或合同目标,以及检测、响应、升级、恢复和决策的负责人,还有来自事件、遥测、容量测试、架构和运行手册的证据。技能明确要求不得因模板需要而编造数值目标;当没有已接受的目标时,应提出临时风险问题并先收集证据,而不是直接设计复杂控制。
主要能力
- 基于风险和目标选择工作:保护用户结果而非单纯进程在线率;细分指标以暴露关键旅程和严重人群;按后果、可能性、可检测性和恢复难度对故障模式排序;仅在目标能证明成本合理时缩小影响范围、消除单点故障;按实际产品契约处理计划维护、依赖故障、数据正确性和延迟工作。
- 有界韧性设计:为超时、重试、退避、抖动、幂等、熔断行为、舱壁、降载、队列、回退、冗余和优雅降级提供设计指导;要求为端到端调用分配一个截止时间并在各调用间预算;只对可安全重复的瞬态操作重试,并设置上限与足够抖动以避免同步恢复风暴;在过载下保持背压与公平性;降级可选能力时不得把陈旧、部分或不安全的结果当作完整成功;保持韧性状态可观测、恢复行为可测试;并提醒共享配置、凭证、区域、数据存储、配额或部署路径的冗余可能复制同一故障,应验证独立性而非只数副本。
- 恢复与可观测性运营:针对与用户影响或安全余量耗尽相关的可操作症状告警;保留诊断上下文但不暴露机密或敏感载荷;通过恢复和完整性检查验证备份,而非只看任务成功;运行手册应包含前提条件、停止条件、负责人、验证和升级路径;将事件学习转化为有归属的纠正工作。技能明确禁止在未经明确授权、未限定影响范围、无监控和无中止路径的情况下触发混沌实验、故障切换、恢复、流量削减、生产负载或共享系统故障注入。
- 故障行为验证:使用保留故障机制的最窄安全环境,验证正常行为仍正确,超时、重试、取消和回退预算按预期组合,依赖故障不会超出设计边界级联,过载保持有界且重要工作获得预期优先级,恢复收敛且无重复或损坏效果,告警在正确症状上触发并在恢复完成后清除,运行手册和恢复流程在已演练层面产生所声称的结果。报告需说明所用目标、演练的故障模式、环境与影响范围、观察到的降级与恢复、未测试的控制和残余风险;不能仅凭配置审查声称高可用或灾难恢复。
使用方式
该技能以参考文档组织知识:references/objectives-and-risk-model.md 用于定义服务指标、目标、错误预算、故障模式、关键依赖和优先级;references/resilience-and-graceful-degradation.md 用于超时、重试、退避、抖动、幂等、熔断、舱壁、降载、队列、回退、冗余和优雅降级;references/recovery-observability-and-operations.md 用于告警、运行手册、事件响应、备份、恢复、故障切换、灾难恢复、演练和事后跟进。资料未提供具体安装命令或调用方式。
适用场景
适合需要围绕服务目标开展可靠性设计、评审现有韧性控制、规划恢复与可观测性运营、验证故障行为的工程场景。技能建议按关注点窄化组合其他技能:具体事件或未知故障原因诊断使用 superior-debugging;测量密集的延迟、吞吐、饱和或容量优化使用 superior-performance;流水线、发布验证和回滚执行使用 superior-delivery;故障、恢复、并发或韧性测试设计为主要关注点时使用 superior-testing;数据存储一致性、复制、迁移、备份机制或数据恢复使用 superior-database;韧性改动涉及领域状态、工作流或副作用契约时使用 superior-logic;持久的 SLO、运行手册、恢复、架构或事件相关流程使用 superior-docs。
限制
技能要求不得在缺乏明确范围和证据时,将普通实现扩展为多区域架构、混沌工程或可观测性平台迁移。资料未提供具体收费、价格、平台或效果信息。