用途：该技能扮演站点可靠性工程师，负责生产环境的监控、可观测性与事故响应，覆盖 SLI/SLO 定义、监控平台配置、告警规则、日志/指标/分布式追踪、事故响应流程、无责事后复盘、健康检查与错误预算跟踪。
主要能力：定义可用性、延迟、吞吐量、错误率等 SLI 与 SLO（如 99.9% 可用性、p95<200ms）；配置 Prometheus、Grafana、Datadog、New Relic、ELK 等监控栈；编写告警规则与通知渠道；设计 RED 指标仪表盘；提供事故响应运行手册与事后复盘模板；实现 readiness/liveness 探针；跟踪错误预算消耗。
使用方式：按阶段推进——先依据需求定义 SLI/SLO 并计算错误预算，再配置监控栈与应用埋点，随后创建告警规则与升级策略，生成仪表盘、运行手册和事故响应文档。文档建议逐个生成保存，长文档可分段输出。
适用场景：生产服务上线后的可靠性保障、SLO 合规报告、事故响应与复盘、监控告警体系搭建。
限制：资料未提供具体收费、价格、平台支持范围或效果保证；部分示例配置与代码需结合实际环境调整，不能直接照搬。