用途：该技能把现代可观测性实践转化为可执行指导，帮助为代码埋点、从第一性原理调试生产问题、设计 SLO 与告警、配置采样与管道、选择遥测存储位置，以及让系统对 AI 智能体可读。适用于塑造“存在哪些数据、以后如何回答问题”的工作；仅加一行日志则不必使用。
核心模型：可观测性是可靠软件的一种属性，而非购买的产品。监控回答已知的未知，可观测性回答未知的未知。未发出的状态无法恢复，因此设计问题始终是“以后我需要问什么”。系统是社会技术性的，诊断必须可传授；只有生产环境才是生产环境。
基础实践：每个工作单元发出一个宽结构化事件，使用扁平键值对，捕获输入、上下文、条件与结果，理想为数百个属性。指标、日志、追踪并非不同数据类型，可从同一份上下文丰富的表示按需派生。高基数与高维度是优势；预聚合是不可逆的，应在读取时聚合。两种遥测模型：三支柱适合基础设施与第三方代码；统一存储适合团队自有代码。
OpenTelemetry 埋点：OTel 是厂商中立的遥测标准，实现关注点分离。自动埋点提供骨架，自定义埋点承载领域操作与领域失败，长期价值在自定义层。仅在既有意义又可聚合时创建 span；优先宽事件而非深层 span 树；命名使用点分命名空间的 snake_case，ID 放入属性；用受检 schema 保证一致性；对 PII 做纵深防御。
分析：停止从已知条件调试，采用假设驱动的科学循环：从信号出发、验证真实性、隔离异常与基线的差异、按有用字段分组、必要时过滤收窄。可自动化暴力搜索（BubbleUp 模式），但需宽事件支持。避免陈旧 runbook、确认偏误与混淆相关与因果。
可观测性驱动开发：与 TDD 互补，每个功能随埋点一起发布；合并前回答“如何知道改动按预期工作”；让工程师为自己代码值班；用特性开关解耦部署与发布；用真实流量验证；注意聚合会掩盖问题。
SLO 与告警：对用户痛点的症状告警而非原因；告警需同时满足“可靠指示用户体验下降”和“可行动”。从关键用户旅程定义 SLI，分类好/坏事件并设 SLO；优先基于事件的 SLI；在错误预算耗尽前按燃烧率告警，使用滑动窗口与预测性燃烧告警。
成本、采样、管道与存储：大规模下采样保留代表性事件并携带采样率；按流量选择固定速率、目标速率或按 key 动态采样；头采样与尾采样各有适用；使用一致采样保证整条追踪存活。OTel Collector 管道解耦生产者与消费者，最大成本杠杆是 reduce。存储宜用按时间分区的列式存储，读取时计算。
面向 AI：智能体效果的最大差异不是模型，而是维护良好的机器可读上下文层。把资深直觉编码进遥测；使用一致的语义属性与人类可读字段描述；围绕学习飞轮埋点 LLM 应用，采用 OTel GenAI 语义约定，在查询时从模型与 token 数推导成本。
限制：资料未提供具体安装命令、价格、平台支持或效果数据。