用例

SRE 与可靠性工程

可观测性技术栈、SLO 框架、告警与事件响应运行手册。

概述

可观测性、SLO、事件响应——可靠性工作离不开严谨的规划与多视角的设计评审。Datarim 的流水线确保在开始埋点之前就定义好 SLO 目标,技术选型通过 Consilium 小组进行评估,并且在任务被视为完成之前,每个服务都要经过指标、日志和追踪的验证。合规阶段还会增加一份基础设施检查清单,涵盖监控、告警阈值和最小权限访问。

示例:微服务的可观测性技术栈与 SLO 框架

一个 SRE 团队需要为一个包含 8 个微服务的平台设计并实现可观测性技术栈。工作内容包括指标埋点、集中式日志、分布式追踪、告警规则和 SLO 仪表盘。

流水线走查

阶段发生什么
/dr-init范围:8 个服务的指标、日志、追踪、告警。SLO 定义。复杂度:L4
/dr-prd需求:SLO 目标(99.9% 可用性,p99 <500ms)、告警渠道、值班轮换、事件运行手册
/dr-plan阶段:1) 指标埋点,2) 集中式日志,3) 分布式追踪,4) 告警规则,5) SLO 仪表盘
/dr-designConsilium 小组:SRE + 安全 + DevOps 评估 Prometheus 与 Datadog、ELK 与 Loki、Jaeger 与 Tempo
/dr-do逐阶段实现。每个服务独立埋点
/dr-qa验证:所有服务发出指标、日志可搜索、追踪跨服务连通、告警正确触发
/dr-compliance基础设施检查清单:监控已配置、告警阈值已设置、回滚计划、安全(最小权限)
/dr-archive(步骤 0.5)经验:在埋点之前先定义 SLO 让团队始终聚焦于真正重要的事情

主要收益

  • SLO 驱动设计——先定义可用性和延迟目标,确保埋点服务于业务目标,而非虚荣指标
  • 多视角技术选型——在 Prometheus、Datadog 或其他技术栈之间做选择时,Consilium 小组会汇集 SRE、安全和 DevOps 的视角
  • 逐服务验证——QA 独立检查每个服务的指标发出、日志可搜索性和追踪连通性
  • 基础设施加固——合规阶段验证告警阈值、值班配置和最小权限访问控制

相关智能体

此用例中最活跃的智能体:

  • SRE——SLO 框架、可观测性设计、事件响应规划
  • DevOps——基础设施配置与监控设置
  • 安全——访问控制、日志完整性和审计追踪验证
  • 架构师——系统级可观测性架构与技术选型
  • 合规——基础设施检查清单与告警配置验证

复杂度路由

复杂度级别如何应用于 SRE 与可靠性工程:

  • L1——调整告警阈值或向现有仪表盘添加新指标
  • L2——为单个服务埋点指标和结构化日志
  • L3——为服务组设置带升级路径和值班轮换的告警规则
  • L4——为 8 个以上微服务设计并实现完整的可观测性技术栈及 SLO 框架