site-reliability

该技能在用户制定或修订 SLO、SLI、SLA，计算或处理错误预算，识别与自动化琐务（toil），执行或撰写事后复盘，设计值班轮转，预测容量或规划压测，以及设计发布策略（金丝雀、蓝绿、渐进式）时触发；纯基础设施配置或无 SLO 背景的应用性能优化不应触发。核心原则：以错误预算接纳风险、消除琐务、用 SLO 作为契约、无责复盘、将运维自动化到低于团队 50% 时间。概念层定义 SLI/SLO/SLA 层级（内部 SLO 应比外部 SLA 更紧）、错误预算机制（预算=1-SLO 目标，燃烧率=观测错误率/允许错误率）及按剩余预算分档的行动策略、琐务六项属性、事故严重级别 SEV1–SEV4、值班最佳实践。常见任务包括：从用户旅程选择 SLI 并依据历史数据设定目标与滚动 30 天窗口及排除项；用多窗口燃烧率告警（如 5 分钟燃烧率>14.4、1 小时>3）替代单阈值告警；按干扰驱动、常规运维、部署仪式、数据清理、权限管理等分类并借助优先级矩阵减少琐务；在事故后 24–48 小时内以五问法开展无责复盘，行动项须有负责人、截止日期和可衡量完成定义；设计主备值班、升级路径与每告警对应的 runbook；以基线、增长率、前向投影加 30–50% 余量并压测至 150% 预期峰值进行容量规划；采用 0.1% 到 100% 的金丝雀阶梯并设置自动回滚阈值，配合功能开关区分基础设施与产品变更风险。资料包含常见陷阱（如自然月窗口重置导致刷预算、单窗口告警噪声大、无自动回滚的金丝雀并非金丝雀、runbook 仅写“升级”等）与反模式对照表。完整事后复盘模板位于 references/postmortem-template.md。资料未提供该技能的具体安装命令、收费方式、支持平台及安装步骤。