用途：为生产服务提供可靠性运维模式，核心是度量关键指标、从故障中学习并系统性改进。
主要能力：
- SLO 与错误预算：梳理 SLA（合同）→ SLO（目标）→ SLI（度量）层级，给出可用性与延迟两类常见 SLI 的 PromQL 表达式，并列出 99% 至 99.99% 各档 SLO 对应的每月/每年停机时间，强调不要追求 100%。错误预算 = 1 - SLO 目标，例如 99.9% 对应每月约 43 分钟；并给出预算剩余比例对应的行动策略：>50% 正常迭代，10-50% 推迟高风险变更，<10% 冻结非关键变更，0% 功能冻结并修复可靠性。
- 事后复盘模板：坚持无指责原则，把“谁造成的”转为“什么条件允许了它”。适用场景包括 SEV1/SEV2 事故、超过 15 分钟的面向客户中断、数据丢失或安全事件、可能严重的未遂事件、新型故障模式。提供标准模板（执行摘要、UTC 时间线、5 Whys 根因分析、影响、带优先级/负责人/截止/工单的行动项）与轻量模板（SEV3）。另含 60 分钟复盘会议指南（开场、时间线、分析、行动项、收尾）及引导技巧。
- 反模式提醒：不要追求 100% SLO、不要跳过小事故、行动项必须有负责人+日期+工单、不要归咎个人、不要制造无意义行动。
使用方式：按需查阅对应章节；SLO 告警的 Prometheus 记录规则、多窗口燃烧率告警和 Grafana 仪表盘见 references/slo-alerting.md；可运行 python scripts/verify.py 进行校验。
限制：资料未提供具体安装命令、收费方式、支持平台及实际效果数据。