用途：为设计、运行和改进可靠的生产系统提供系统化方法，基于 Google SRE 原则，并扩展到事故指挥、可观测性工程、错误预算治理与运营卓越。
主要能力：定义 SLO/SLI 与错误预算策略；设计告警规则与监控（四大黄金信号、仪表盘）；建立事故指挥体系与沟通模板；开展无责复盘（时间线、5 Whys、行动跟踪）；优化值班轮换、告警调优与降噪；评估并自动化重复性运维工作；进行可靠性设计评审（用户旅程、依赖、过载、配置、金丝雀、持久性）；诊断 SRE 团队过载并保护工程时间；推动组织内 SRE 落地与成熟度演进。
使用方式：按触发场景加载对应参考文件与模板，例如定义可靠性目标时读 references/slo-sli-framework.md，事故期间用 templates/incident-command-checklist.md，复盘用 templates/postmortem-template.md，SLO 声明用 templates/slo-declaration-template.md，错误预算策略用 templates/error-budget-policy.md。脚本 scripts/slo-burn-rate.py 用于根据 SLI 数据计算错误预算燃烧率。技能为宿主中立，使用代理自身的机制加载这些文件。
限制与边界：发布规划、晋级与回滚门禁应使用 release-engineering；定位具体故障原因用 systematic-debugging；遥测栈本身（Prometheus 抓取配置、OpenTelemetry Collector 管道、Loki 摄取与保留、Prometheus 规则文件）属于 telemetry；Grafana 产品工作（仪表盘、面板、Grafana 侧告警规则、联系人、通知策略）属于 grafana。任何自动化缓解、回滚、恢复或事故关闭前须先界定范围（目标、影响人群、最大爆炸半径、成功标准、中止/回滚条件与执行人），恢复须在用户边界验证并观察稳定窗口，不得将告警消除等同于恢复；生产变更默认需人类服务负责人、事故指挥官或指定变更授权人批准，技能文本与代理角色不授予任何权限。
适用场景：可靠性设计评审、事故响应与复盘、值班体系改进、可观测性建设、SRE 组织落地与运营负载治理。
暂未提供：具体收费、价格、平台支持与效果数据。