用途
该技能用于为 SaaS 平台构建生产级可观测性体系。当任务涉及 SigNoz 自托管栈、Node.js/PHP/Android/iOS 的 OpenTelemetry 埋点、Prometheus + Grafana RED 仪表盘、告警规则、基于 Jaeger 的分布式追踪、Sentry 错误监控、SLO/SLI 设计、错误预算燃尽率告警、运行手册以及无责事后复盘时使用。
该技能适用于需要可复用判断、领域约束或成熟工作流的任务，而非临时性建议。当任务与可观测性平台无关，或更适合由更具体的配套技能处理时，不应使用；当请求只需一个简单答案、本技能的约束或参考材料无实质帮助时，也不应使用。
主要能力
可观测性三大支柱
日志回答在时间 T 发生了什么；指标回答在一个时间窗口内发生的频率和数量；追踪回答一个请求为何跨服务变慢或失败。关联是核心——每条日志行、指标样本和 span 都必须共享 trace_id，使 Grafana 告警能链接到 SigNoz 追踪，再链接到日志。经验法则：必须 7×24 监控的内容发指标，告警后需要调查的内容发日志，跨越服务边界的内容发 span。
结构化 JSON 日志
每行必须包含 timestamp（ISO-8601 UTC）、level、service、trace_id、span_id、user_id、tenant_id、msg 以及事件字段。级别：FATAL（进程退出，立即呼叫）、ERROR（请求失败未恢复，按量开单或呼叫）、WARN（已恢复的降级，仅看趋势）、INFO（业务事件如 order.created，生产默认级别）、DEBUG（生产关闭，可按请求头开启）、TRACE（仅本地或短时调试）。技能提供了 Node.js（pino）和 PHP（monolog）的日志配置代码示例。
SigNoz 自托管栈
OpenTelemetry 原生 APM，使用 ClickHouse 存储，是自托管的 Datadog 替代方案。技能提供了 docker-compose 配置示例，包含 clickhouse、query-service、frontend、otel-collector 服务。保留策略：在 Settings → Retention 设置 ClickHouse TTL，追踪 15 天、日志 30 天、指标 90 天。磁盘是主要成本，更短的 TTL 优于采样。首个仪表盘：Services → 选择 billing-api → Save Panel → 固定到 Service Health。SigNoz 会从 span 自动推导 RED，应在编写自定义 PromQL 之前完成。
OpenTelemetry 埋点
技能提供了 Node.js、PHP、Android、iOS 四个平台的 OpenTelemetry 埋点代码示例，包括安装依赖、初始化 SDK、创建 span、设置语义属性等。Android 使用 ANR 检测器将冻结帧与活动 trace_id 关联；iOS 使用 SPM 添加 opentelemetry-swift。
Prometheus 指标
四种类型：Counter（单调递增，使用 rate()）、Gauge（可增可减）、Histogram（分桶，用 histogram_quantile() 聚合）、Summary（客户端分位数，避免使用，不跨实例合并）。RED 命名加延迟桶覆盖 5ms 到 10s。禁止使用高基数标签（user_id、request_id）。
Grafana 仪表盘
将仪表盘 JSON 提交到 ops/grafana/dashboards/service-health.json。规则：每个服务族一个 RED 仪表盘，而非每个实例一个。使用 $service 使仪表盘可扩展。
告警规则
技能提供了 Prometheus 告警规则示例，包含 ApiHighErrorRate 和 ApiLatencyP95High。严重级别：critical 呼叫值班、warning 开单、info 仅仪表盘。Alertmanager 路由配置示例包含 PagerDuty 和 Opsgenie 接收器，以及抑制规则（同一服务的 critical 触发时抑制 warning）。
分布式追踪
W3C trace context 头——每个服务必须传播 traceparent。采样：头部采样 TraceIdRatioBased(0.1) 成本低但会丢弃错误；收集器端尾部采样可保留错误。技能提供了 SigNoz tail_sampling 配置示例。分析工作流：告警触发 → 打开 SigNoz → 按 service.name 和 status=error 过滤 → 按持续时间排序 → 打开最长追踪。
Sentry 错误监控
技能提供了 Next.js、iOS、Android 的 Sentry 配置示例。分诊流程：新问题 → 值班 24 小时内分诊 → 分配负责人并标记 triage → 进行中 → 解决或忽略并写明原因。
SLO/SLI 设计
SLI 是测量，SLO 是承诺，SLA 是带后果的合同。先用 PromQL 编写 SLI。技能提供了可用性和延迟 SLI 示例。SLO 示例：28 天滚动窗口内 99.9% 可用性，错误预算为 40.32 分钟。
使用方式
先阅读 SKILL.md，然后仅加载任务所需的参考深度文件。应用技能中的有序指导、检查清单和决策规则，而非挑选孤立片段。产出交付物时，在重要处明确假设、风险和后续工作。
适用场景
适用于为 SaaS 平台构建生产级可观测性体系，包括日志、指标、追踪、告警、SLO 设计、错误监控和事后复盘。
限制
当任务与可观测性平台无关，或更适合由更具体的配套技能处理时，不应使用。当请求只需一个简单答案、本技能的约束或参考材料无实质帮助时，也不应使用。反模式：将示例视为可直接复制的真理而不检查适用性、约束或失败模式；默认加载所有参考文件而非使用渐进式披露。