用途：为构建和维护可靠系统提供站点可靠性工程（SRE）实践参考，覆盖可靠性目标定义、可观测性、事件管理与灾难恢复等主题。
主要能力：
- SLI/SLO/SLA：定义服务级别指标（如可用性、延迟、错误率、吞吐量）、目标与合同。
- 错误预算：按 SLO 与周期计算可用预算并跟踪消耗（示例：99.9% 可用性、30 天约 43.2 分钟）。
- 可观测性三支柱：指标（Prometheus 计数器、直方图、仪表盘）、结构化日志（pino）、分布式追踪（OpenTelemetry）。文中给出中间件采集指标、/metrics 端点暴露、请求级日志与子 span 追踪等示例。
- 事件管理：检测→分诊→缓解→解决→复盘流程，SEV1–SEV4 严重级别，Runbook 与事后复盘模板。
- 混沌工程：以假设、引入真实故障、控制爆炸半径为核心的实验，含随机终止实例、延迟与错误注入示例。
- 灾难恢复：RTO/RPO 目标与 3-2-1 备份策略示例。
使用方式：资料以说明、表格、模板和 TypeScript/Node.js 代码示例呈现，包含 prom-client、pino、@opentelemetry/api 等用法，以及 kubectl、psql、nc、curl 等诊断命令，需要时按原样复制到项目中。
适用场景：需要设定可靠性目标、搭建可观测性、编写 Runbook 与复盘、演练混沌实验或规划备份恢复的团队。
限制：资料未提供安装命令、依赖版本、定价、平台支持范围及具体部署步骤；示例为通用参考，需结合实际环境调整。