用途
本技能用于为网站或 Web 应用设计并运行一套监控系统，核心目标是决定「监控什么、对什么告警、如何确保系统出问题时正确的人能收到通知」。它适合在以下场景使用：为新站点或服务搭建监控、定义 SLO（服务级别目标）与错误预算、区分哪些告警需要唤醒值班人员、哪些只发到安静频道、设计或修复值班轮换、诊断告警疲劳、根据事故暴露的监控缺口进行补全、迁移监控供应商。
不适用场景：响应进行中的事故（应使用 incident-response）、撰写事后复盘（应使用 after-action-report）、设计产品指标分析仪表盘（应使用 analytics-strategy）、性能优化本身（应使用 performance-optimization）。
主要能力
技能提供一套四层监控框架，逐层覆盖不同类别的问题：
- 第 1 层 可用性：站点是否在线。包括多区域 HTTP 检查（每 1-5 分钟）、DNS 解析检查、证书过期检查、状态码检查（对 5xx 告警，而不仅是超时）。阈值：任何持续宕机（连续 2 次以上检查失败）即触发 page。
- 第 2 层 正确性：站点在线，但返回的内容是否正确。包括合成检查（加载首页、点击按钮、校验预期文本）、关键用户旅程（注册、结账、搜索）、内容存在性检查、API 契约检查。阈值：关键路径合成检查失败触发 page；非关键页面级合成检查仅在工作时间告警。
- 第 3 层 性能：站点在线且正确，但是否足够快。包括真实用户的 Core Web Vitals（LCP、INP、CLS）、合成性能（Lighthouse、WebPageTest、自定义）、API 响应时间（p50、p95、p99）、慢查询的数据库查询时间、依赖响应时间。阈值：相对基线的回退（如 p95 在 5 分钟内翻倍），不要在没有基线的情况下使用绝对阈值告警。
- 第 4 层 错误与异常：站点对大多数人来说在线、正确且快速，但错误正在发生。包括错误率（返回 5xx 的请求占比）、客户端错误率（未捕获的 JS 异常）、日志错误量、异常检测（流量骤降）、后台任务失败、队列深度。阈值：基于比率而非计数，例如「错误率超过 1% 持续 5 分钟」优于「每分钟超过 100 个错误」。
技能还涵盖 SLO 与错误预算：SLO 是可靠性目标，常见形式为「30 天内 99.9% 的首页请求在 2 秒内成功」。其组成包括测量对象、成功标准、目标值和窗口。错误预算是其反面：0.1% 的请求可以失败。技能给出各 SLO 对应的每月允许宕机时间（99% 为 7 小时 18 分，99.9% 为 43 分钟，99.95% 为 21 分钟，99.99% 为 4 分 22 秒，99.999% 为 26 秒），并建议多数营销站点 99.9% 足够，SaaS 99.95% 合理，更高需要大量基础设施投入。错误预算的使用原则：预算健康时积极发布，消耗一半时放慢，耗尽时冻结高风险变更直到可靠性恢复。
使用方式
技能按以下工作流推进：
- 盘点已有监控：现有工具、检查、仪表盘、告警。
- 绘制系统图：前端、后端、数据库、第三方 API、队列、worker，每个框都是监控候选，并回答「up」「correct」「fast」的含义及最常见故障模式。
- 定义 SLO：选 3-5 个，需与用户可见行为挂钩、当前基础设施可达成、自动测量、至少每季度评审。
- 在四层上配置检查：为每个框配置各层检查，部分框不必四层齐全。
- 决定什么 page、什么不 page：分三层——Page（唤醒人：站点宕机、关键流程中断、错误率飙升、安全事件）、Notify（工作时间：非关键合成失败、性能回退、慢查询、依赖降级）、Log（不通知：异常供后续审查、低优先级警告、信息级事件）。第 1 层告警必须可操作、重要、罕见（目标每周少于 1-2 次）。
- 配置路由：第 1 层到寻呼系统（如 PagerDuty），直接指向值班人员；第 2 层到聊天频道（Slack、Teams）；第 3 层仅仪表盘或日志。每层需有文档化的升级路径，值班人员 5-15 分钟未确认则升级。
- 构建仪表盘：按受众划分——实时运维仪表盘、SLO 仪表盘、每服务仪表盘、高管仪表盘。仪表盘与告警不同：告警说「现在看」，仪表盘说「正在发生什么」。
- 运行告警审计：每季度审计哪些告警触发过、是否可操作、是否漏报、是否嘈杂、runbook 是否最新、SLO 是否达成，并据此调优。
适用场景
适合需要建立或改进网站/Web 应用监控体系的团队，尤其是希望用 SLO 和错误预算在可靠性与发布速度之间建立反馈回路的团队，以及正在经历告警疲劳、值班轮换混乱或监控供应商迁移的团队。
限制
技能明确列出多种失败模式：对原因而非症状告警、告警没有 runbook、没有「正常」基线、单区域监控、未监控监控系统本身、严重级别分层过多、合成检查不匹配真实用户旅程、静态阈值从不调优、值班轮换没有交接、寻呼疲劳。输出格式为一份监控计划，包含系统图、SLO、各层检查、告警分级、路由、仪表盘、runbook 和审计节奏。若所需数据不可用，技能要求明确说明缺口（需要什么、实际获得或验证了什么、影响输出的哪些部分），禁止编造、估算或插值。参考文件 references/slo-design-guide.md 提供 SLO 编写、错误预算策略和常见错误的详细说明。