用途
Observability Advisor 用于设计并审查遥测体系，帮助团队在可靠性问题发生之前和发生期间检测、诊断并改进服务行为。其范围是厂商中立的可观测性架构、信号设计、覆盖度审查、SLO、告警与埋点计划。
该技能明确不适用于：实时事故协调（应使用 incident-response-engineer）、深度运行时瓶颈剖析（应使用 performance-profiler）、CloudWatch 特定实现细节（应使用 cloudwatch）、CI/部署/平台发布接线（应使用 devops-engineer）。
主要能力
技能提供六种模式：
- design <system>：为服务或工作流设计可观测性架构。
- review <service or stack>：审计现有遥测、仪表盘与告警。
- instrument <service or path>：规划应发出哪些信号以及在哪里添加埋点。
- alert <service or journey>：设计可操作的告警与升级。
- slo <service or journey>：定义 SLI、SLO 与错误预算策略。
- investigate <signal or symptom>：为问题构建跨信号诊断结构。
此外，关于日志、指标、追踪、仪表盘或告警的自然语言描述会自动检测最接近的模式；空输入则显示带示例的模式菜单。
技能附带参考文件索引，按需加载：
- references/signal-selection-matrix.md：在指标、日志、追踪、剖析与工作流事件之间做选择时使用。
- references/alert-anti-patterns.md：审查嘈杂、重复或不可操作的告警时使用。
- references/sli-slo-examples.md：定义可用性、延迟、新鲜度或正确性 SLI/SLO 时使用。
- references/investigation-workflows.md：构建症状优先的跨信号与依赖边界诊断时使用。
- references/output-templates.md：格式化设计、审查、埋点、告警、SLO 与调查交付物时使用。
使用方式
各模式的核心做法如下：
- Design：识别最重要的用户旅程、关键依赖与故障域；定义降级期间操作员必须能在数分钟内回答的问题；为每个关键边界选择最小可用信号集；指定关联标识符、结构化字段与服务命名；为每条关键路径定义仪表盘、告警、运行手册链接与归属；在推荐实现细节前说明采样、保留与基数约束。
- Review：检查当前日志、指标、追踪、仪表盘、告警与值班路径；检查用户可见症状能否在客户报告之前被检测到；识别盲点、重复信号、嘈杂告警、弱标签与缺失的追踪关联；将发现分为覆盖缺口、告警质量问题与运维债务；按检测风险与操作员影响排序。
- Instrument：映射请求或工作流路径，识别决策点、重试、队列与外部调用；为每个边界定义应发出的指标、日志与 span；仅在有助于诊断且不会造成基数爆炸处要求稳定的请求、租户或工作流标识符；保持日志结构化并脱敏或排除密钥与不必要的 PII；产出从最高价值路径开始的推广计划。
- Alert：区分值得呼叫的条件与仅工单或仅仪表盘信号；优先选择与用户症状、SLO 燃烧、饱和度或停滞工作流相关的告警；为每个告警定义阈值、持续时间、归属、运行手册与升级目标；说明告警触发后操作员应首先检查的证据；减少同一症状向不同团队重复呼叫的告警。
- SLO：从面向用户的承诺出发，而非最容易测量的内部指标；精确定义 SLI 的分子、分母、排除项与测量窗口；选择与业务期望和运维现实匹配的目标；说明错误预算策略、审查节奏以及预算被消耗时触发的动作；当合并 SLO 会掩盖权衡时，分离可用性、延迟、新鲜度或正确性目标。
- Investigate：从已验证的症状出发，而非假设的根因；关联近期部署、流量变化、指标、日志、追踪与依赖健康；构建简短假设列表并指出可确认或否定每个假设的下一次测量；区分信号质量问题与系统行为问题；若问题正在影响客户且需要指挥控制响应，则转交 incident-response-engineer。
适用场景
- 团队能看到故障但无法快速解释。
- 告警嘈杂、延迟或缺少用户影响上下文。
- 服务缺少清晰的 SLI、SLO 或错误预算策略。
- 需要为新服务、工作流或迁移添加埋点。
- 仪表盘存在但归属、升级或运行手册关联薄弱。
限制
- 不用于实时事故指挥、底层剖析器输出分析或厂商特定配置演练。
- 拒绝那些优化基础设施可见性却未回答用户影响问题的遥测计划。
- 当设计需要跨信号关联时，要求稳定的请求、工作流或旅程标识符。
- 拒绝会造成可避免基数爆炸或暴露原始 PII 的标签、字段或样本。
- 仪表盘、告警与运行手册应作为独立交付物，不得合并为一个工件或无归属的清单。
- 仅对需要操作员行动的症状或领先指标进行呼叫；其余降级为工单、仪表盘或仅审查信号。
- 厂商特定设置、实现命令或托管服务配置应转交相关平台技能，而非在此虚构提供商步骤。
扩展策略与状态管理
- 先覆盖最高价值的用户旅程或故障路径，再扩大覆盖范围。
- 优先一个可靠的服务级仪表盘和少量告警集，而非广泛但嘈杂的信号蔓延。
- 仅在基础信号集在实践中证明有用后，再扩展维度、保留与追踪深度。
- 跨服务边界、队列跳转与异步重试保留关联标识符。
- 将告警归属、运行手册链接与 SLO 定义作为一等运维元数据跟踪。
- 在重大架构、依赖或流量形态变化后重新评估遥测。
渐进式披露
默认不加载所有参考文件，仅按当前模式读取所需文件：信号选择工作读取 signal-selection-matrix.md；告警质量工作读取 alert-anti-patterns.md；SLI 或 SLO 设计读取 sli-slo-examples.md；症状优先诊断读取 investigation-workflows.md；最终格式化读取 output-templates.md。SKILL.md 作为操作员契约，参考文件用于矩阵、示例与输出形态。