SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场devops-troubleshooter

devops-troubleshooter

部署与运维

查看项目

更新于 10-15 10:16

技能介绍

用途

该技能用于 DevOps 故障排查场景，定位为快速事件响应、高级调试与现代可观测性实践方面的专家。当用户正在处理 DevOps 故障排查任务或工作流，或需要针对该主题的指导、最佳实践与检查清单时，可使用本技能。若任务与 DevOps 故障排查无关，或需要本范围之外的其它领域或工具，则不应使用。

主要能力

技能声明覆盖以下方向：

  • 现代可观测性与监控：日志平台（ELK Stack、Loki/Grafana、Fluentd/Fluent Bit）、APM 方案（DataDog、New Relic、Dynatrace、AppDynamics、Instana、Honeycomb）、指标与监控（Prometheus、Grafana、InfluxDB、VictoriaMetrics、Thanos）、分布式追踪（Jaeger、Zipkin、AWS X-Ray、OpenTelemetry、自定义追踪）、云原生可观测性（OpenTelemetry collector、服务网格可观测性）、合成监控（Pingdom、Datadog Synthetics、自定义健康检查）。
  • 容器与 Kubernetes 调试：kubectl 高级调试命令与资源检查、容器运行时调试（Docker、containerd、CRI-O）、Pod 排查（init 容器、sidecar、资源约束、网络）、服务网格调试（Istio、Linkerd、Consul Connect）、Kubernetes 网络（CNI、服务发现、Ingress）、存储调试（持久卷、存储类、数据损坏）。
  • 网络与 DNS 排查：网络分析（tcpdump、Wireshark、eBPF 工具、延迟分析）、DNS 调试（dig、nslookup、传播、服务发现）、负载均衡器问题（AWS ALB/NLB、Azure、GCP）、防火墙与安全组、服务网格网络（流量路由、熔断、重试策略）、云网络（VPC 连通性、对等连接、NAT 网关）。
  • 性能与资源分析：系统性能（CPU、内存、磁盘 I/O、网络利用率）、应用剖析（内存泄漏、CPU 热点、GC 问题）、数据库性能（查询优化、连接池、死锁）、缓存排查（Redis、Memcached、应用级缓存）、资源约束（OOMKilled、CPU 节流、磁盘空间）、扩缩容问题（自动扩缩、资源瓶颈、容量规划）。
  • 应用与服务调试：微服务调试、API 排查（REST、GraphQL、认证）、消息队列（Kafka、RabbitMQ、SQS、死信队列、消费延迟）、事件驱动架构（事件溯源、CQRS、最终一致性）、部署问题（滚动更新、配置错误、环境不一致）、配置管理（环境变量、密钥、配置漂移）。
  • CI/CD 流水线调试：构建失败、部署排查（GitOps、ArgoCD/Flux、回滚）、流水线性能、安全扫描问题（SAST/DAST、漏洞修复）、制品管理（镜像仓库、镜像损坏、版本冲突）、环境特定问题。
  • 云平台排查：AWS（CloudWatch、AWS CLI）、Azure（Azure Monitor、PowerShell）、GCP（Cloud Logging、gcloud CLI、服务账号）、多云问题、Serverless 调试（Lambda、Azure Functions、Cloud Functions）。
  • 安全与合规问题：认证调试（OAuth、SAML、JWT、身份提供方）、授权问题（RBAC、策略配置、权限）、证书管理（TLS 证书、续期、链验证）、安全扫描、审计追踪分析。
  • 数据库排查：SQL 调试（查询性能、索引、执行计划）、NoSQL 问题（MongoDB、Redis、DynamoDB）、连接问题（连接池耗尽、超时、网络）、复制问题（主从延迟、故障转移、一致性）、备份与恢复。
  • 基础设施与平台问题：IaC（Terraform 状态、provider、资源漂移）、配置管理（Ansible、Chef、Puppet）、容器镜像仓库、密钥管理（Vault、轮换、访问控制）、灾难恢复。
  • 高级调试技术：分布式系统调试（CAP、最终一致性）、混沌工程（故障注入、韧性测试）、性能剖析、日志关联（多服务日志、分布式追踪关联）、容量分析。

使用方式

技能给出的操作流程为：先明确目标、约束与所需输入；应用相关最佳实践并验证结果；提供可执行步骤与验证方法；如需详细示例，打开 resources/implementation-playbook.md。

响应方式上，技能建议：按影响与范围评估情况；从日志、指标、追踪与系统状态收集全面数据；系统性地形成并测试假设，尽量减少对系统的影响；先实施即时修复以恢复服务，同时规划永久方案；完整记录以便事后复盘；增加监控与告警以主动发现类似问题；规划长期改进；通过 runbook、文档与团队培训分享知识；进行无指责复盘以识别系统性改进。

适用场景

示例交互包括：调试 Kubernetes Pod 高内存使用导致的频繁 OOMKill 与重启；分析分布式追踪数据以定位微服务架构性能瓶颈；排查生产负载均衡器间歇性 504 网关超时；调查 CI/CD 流水线失败并实现自动化调试工作流；对导致应用超时的数据库死锁进行根因分析；调试影响 Kubernetes 集群服务发现的 DNS 解析问题；分析日志以识别安全入侵并实施遏制；排查 GitOps 部署失败并实现自动回滚。

限制

仅当任务明确匹配上述范围时使用本技能。不应将输出视为环境特定验证、测试或专家评审的替代。若缺少所需输入、权限、安全边界或成功标准，应停止并请求澄清。