用途：设计监控基础设施、定义 SLI/SLO 与错误预算、跨微服务实施分布式追踪、制定低噪音告警规则、构建运维与业务仪表盘、建立事故响应与复盘流程、通过遥测关联诊断生产问题。
三大支柱：指标用于大规模理解系统行为，类型含 Counter、Gauge、Histogram、Summary，需避免高基数标签；日志为离散事件记录，宜结构化（JSON），含 timestamp、level、message、service、trace_id 等字段；追踪记录请求跨服务流转，由 Trace、Span、上下文组成，用于定位延迟瓶颈与依赖故障。
SLI/SLO：SLI 从用户视角量化行为，常见类别有可用性、延迟、吞吐量、错误率、数据新鲜度；SLO 公式为 SLO = (Good events / Total events) >= Target over Window，例如 99.9% 请求在 200ms 内完成、按 30 天滚动窗口衡量。错误预算 = 1 - SLO 目标，99.9% 对应每 30 天约 43.2 分钟。预算充足可继续开发，耗尽则转向可靠性工作，快速消耗时冻结部署并排查。
告警：基于用户可见症状而非内部原因；采用多窗口多燃烧率，如 1 小时 14.4x 快速燃烧、3 天 3x 缓慢燃烧；通过只告警可操作项、合并相关告警、设置有意义阈值、要求持续满足条件、附 runbook 链接及定期清理来防止告警疲劳。
仪表盘：分服务健康总览、深度诊断、业务指标三层；原则包括回答特定问题、统一颜色编码、叠加部署与事件上下文、移动端适配、提供下钻路径。
最佳实践：用共享标识符关联指标、日志与追踪；在服务边界埋点；结构化日志字段一致；按数据价值设定保留策略；上线前在预发环境测试告警；记录并共享 SLO；定期演练验证可观测性。反模式：对每个指标告警、无问题导向建仪表盘、日志缺结构与关联 ID、未测基线就设 SLO、随意忽略错误预算政策、所有告警同级、在指标中存高基数数据、问题自愈即跳过复盘。参考文件 references/monitoring-patterns.md 提供实现模式与示例。