用途
SRE Dashboards 用于设计并运营 SRE 仪表盘，让团队能够检测、分诊并预防可靠性事故。它适用于以下场景：为生产系统定义服务级仪表盘、跟踪 SLO 健康度与错误预算燃烧、创建事故指挥中心视图、在团队之间统一仪表盘模式。
主要能力
该技能围绕分层仪表盘架构组织内容：
- 高管可靠性视图：SLO 达成率、事故数量、MTTR 趋势。
- 服务健康视图：RED/USE 指标、依赖健康、发布标记。
- 深度排查视图：按端点的延迟、资源饱和度、错误分类。
每个视图都要求以回答问题为导向：客户是否受到影响？发生了什么变化？瓶颈在哪里？
核心 SRE 面板包括：
- 黄金信号：延迟（按端点的 p50/p95/p99 请求时长）、流量（请求吞吐量与队列深度）、错误（5xx 比率、失败任务、超时比率）、饱和度（CPU、内存、磁盘 I/O、线程/连接池耗尽）。
- SLO 面板：当前 SLI 值（滚动窗口 5m、1h、24h、30d）、错误预算剩余百分比、燃烧率面板（快窗口与慢窗口）、多窗口燃烧告警状态。
- 变更关联：部署标记与配置变更注释、功能开关状态叠加、上游/下游依赖错误率。
技能还提供 PromQL 示例片段，例如 API 错误率、按路由的 p95 延迟、快燃烧率（5m/1h）等查询写法。
使用方式
该技能以文档形式提供指导，包含运维规范与排查建议。运维规范包括：使用一致的颜色语义（绿色=健康、黄色=退化、红色=越界）、明确标注单位（ms、req/s、%、cores）、默认时间窗口采用便于事故排查的范围（15m、1h、6h、24h）、减少每个仪表盘的面板数量以降低认知负担、在面板描述中直接添加 runbook 链接。
排查部分覆盖：面板显示平坦或空白时，检查标签基数与过滤器（服务、环境、区域）、确认抓取/摄取延迟在预期范围内、检查仪表化更新后是否出现指标重命名回归；高基数拖慢仪表盘时，按稳定维度（服务、route_group）聚合而非原始 ID、对昂贵的百分位与比率查询使用记录规则、将深度排查仪表盘与 NOC 摘要仪表盘拆分。
适用场景
适用于生产系统的服务级仪表盘定义、SLO 健康度与错误预算燃烧跟踪、事故指挥中心视图创建，以及跨团队仪表盘模式标准化。
前提条件
- 指标管道（Prometheus、OpenTelemetry 或厂商等效方案）。
- 与服务及环境关联的日志/追踪。
- 统一的服务分类体系（团队、服务、层级、环境）。
限制
该技能针对真实环境执行：应用任何内容前需确认目标、影响范围与回滚方案。未经明确批准不得部署到生产环境。此为仅文档导入：上游脚本与模板未捆绑。
相关技能
- prometheus-grafana：仪表盘实现与 PromQL。
- opentelemetry：标准化遥测仪表化。
- alerting-oncall：可靠性告警路由与升级。
- agent-observability：AI 工作负载可靠性遥测。
示例
git status && git diff --stat kubectl diff -f manifest.yaml