capacity-and-cost-engineering

容量与成本工程

将需求、性能、可靠性和支出联系起来，制定有据可依的容量和成本决策。本技能对技术容量建模，在基础设施层面计算单位成本，定义预算和配额控制，要求提供负载／浸泡测试证据来支撑容量声明，并明确权衡成本与性能——产出的证据将用于支持 production-readiness 的发布决策，并约束或支持 site-reliability-engineering 的 SLO 选择。

关联维度

需求（流量和增长）、性能（延迟和吞吐量）、可靠性（SLO 和错误预算）以及支出（成本）被视为关联维度——任何一个维度发生变化都会影响其他维度。本技能的核心方法是追踪这些联系：

维度	对容量的影响	对成本的影响
需求（流量、增长率）	决定计算、存储和网络需求	决定基准支出和预测支出
性能（延迟、吞吐量目标）	限制每个请求的资源余量	更严格的目标会提高单位成本
可靠性（SLO、错误预算）	需要冗余、超额配置或隔离	更高的 SLO 会以非线性方式增加成本
支出（预算、成本限制）	限制容量；可能迫使系统以降级模式运行	限制可实现的 SLO／性能目标

如果容量决策改变了一个维度，却未对其他维度建模，则该决策并不完整。本技能中的每项容量模型、单位成本计算和预算决策，都必须至少指出一个与其他维度之间的联系，并提供证据或明确的假设。

加载指南

当任务涉及以下任一事项时，加载本技能：

触发条件	加载内容
根据增长预测规划项目容量	SKILL.md + templates/capacity-model.md
为峰值活动（发布、黑色星期五、季节性活动）规划容量	SKILL.md + templates/capacity-model.md + templates/load-soak-test-plan.md
计算单位成本，并将其与 SLO 或需求决策关联	SKILL.md + templates/unit-economics-record.md
定义预算阈值、支出警报或硬性上限	SKILL.md + templates/budget-quota-decision.md
在运维场景中设计配额或速率限制机制	SKILL.md + templates/budget-quota-decision.md
将负载／浸泡测试作为容量证据进行规划或评审	SKILL.md + templates/load-soak-test-plan.md
解决 SLO 与成本之间的权衡，或受成本约束的可靠性决策	SKILL.md + templates/slo-cost-tradeoff-record.md
评审成本异常，或将成本归属到服务／团队	SKILL.md + templates/unit-economics-record.md
对多租户需求、偏斜、公平性或因租户而异的单位成本建模	SKILL.md + references/multi-tenant-capacity-and-unit-cost.md + templates/tenant-capacity-model.md
了解与相邻技能之间的职责边界	SKILL.md + references/discovery-brief.md

工作方法

1. 模型需求与容量

从需求信号入手：当前流量、增长率以及已知的峰值事件。使用容量模型将需求转换为容量要求，该模型应关联：

• 需求单位（请求数/秒、并发用户数、摄取量 GB、消息数/秒）与
• 容量单位（vCPU、内存 GB、存储 GB、IOPS、网络吞吐量、预置吞吐量单位），并通过
• 利用率目标（每种资源可持续达到的最大利用率，并说明理由——绝不能在缺乏背景信息的情况下采用通用百分比）。

如果没有注明利用率目标、支持该目标的依据（为什么是 70% 而不是 85%？），以及利用率接近目标时触发的扩缩容机制，容量模型就不完整。

使用容量模型模板（templates/capacity-model.md），记录需求假设、容量单位映射、含理由的利用率目标、扩缩容触发条件，以及相关周期内的预测。模板要求填写假设、证据来源、负责人和权衡。

2. 计算单位成本

单位成本是指服务一个需求单位的成本——每个请求的成本、每位用户每月的成本、每 GB 存储的成本，或每个预置容量单位的成本。单位成本将基础设施支出与产品和可靠性决策关联起来。

按以下方式计算单位成本：

unit cost = total cost of capacity / number of demand units served

分子和分母必须在同一时间段内、采用相同范围（服务、团队或平台）进行衡量，并注明相同的分摊方法（直接资源成本、分摊后的共享成本，或包含管理费用的完全成本）。

单位经济性记录模板（templates/unit-economics-record.md）要求填写：单位定义、注明分摊方法的成本分子、注明衡量来源的需求分母、计算得出的单位成本、单位成本与 SLO 的比较（SLO 为 99.9% 和 99.99% 时单位成本有何变化？），以及假设/证据/负责人/权衡部分。模板还包含用于填写单位成本计算公式的结构化字段。

对于多租户服务，不要只使用整个集群的平均值作为单位。加载 references/multi-tenant-capacity-and-unit-cost.md，区分平台基线成本和租户可变成本，然后报告租户成本或资源消耗的分布。租户的可变单位成本可能取决于请求组合、存储、后台工作、突发流量形态、部署位置和套餐权益。共享成本分摊是一种明确的建模选择，并不意味着所有租户都消耗相同份额。

3. 定义预算与配额控制

预算控制是会带来运维后果的支出限制——达到阈值时发出支出警报、阻止进一步支出的硬性上限，以及触及上限时的运维行为（降级、限流或停止）。配额和速率限制机制用于在请求或资源层面实施预算控制。

预算控制分为三个层级：

层级	机制	运维后果
警报	支出阈值通知	不采取自动操作；触发审核
软上限	限流、降级模式、减少资源预配	服务以降低后的容量继续运行
硬上限	速率限制、配额执行、拒绝分配资源	超出上限的请求将被拒绝

预算控制必须说明每个阈值触发时的情况——运维行为、对用户的影响，以及负责响应的负责人。未定义运维后果的预算阈值是不完整的。

预算/配额决策模板（templates/budget-quota-decision.md）记录：预算负责人、周期、阈值（警报/软上限/硬上限）、配额或速率限制配置、执行机制、每个阈值对应的运维行为、成本归属方法、异常检测触发条件，以及审批记录。

4. 要求提供负载／浸泡测试证据

容量决策必须有负载和浸泡测试证据。 仅有容量模型，而没有系统在有代表性的负载下运行时的实测表现，不足以支持容量声明或扩缩容策略。

• 负载测试是在规定时长内，以目标吞吐量（例如，预期峰值加上 20% 的余量）运行系统，并测量延迟、错误率和资源利用率。
• 浸泡测试是在较长时间内（数小时至数天）以持续负载运行系统，以检测短时负载测试无法发现的缓慢泄漏（内存、文件描述符、连接池、磁盘增长）。

负载／浸泡测试计划模板（templates/load-soak-test-plan.md）记录：测试目标、附有理由说明的目标吞吐量、时长、环境（必须具有代表性——仅在开发环境中测试并不足够）、成功标准（延迟百分位数、错误率、资源利用率）、数据收集计划以及证据记录。模板区分组件级基准测试和端到端测试；容量决策必须说明测试覆盖了哪个边界。

只有建模而没有测试证据，或只有测试而没有模型，都是不完整的。两者都不可或缺。

对于多租户声明，证据必须同时覆盖有代表性的租户配置，包括普通租户、高需求租户、突发型租户，以及相关的层级或部署位置变体。单租户基准测试或全体平均测试无法证明系统能够防范热点租户、分区倾斜或公平性问题。

5. 权衡 SLO 与成本

当满足 SLO 的成本在预测需求下超出预算，或预算限制迫使团队采用低于原定目标的 SLO 时，就会出现 SLO 与成本之间的权衡。这是一项有流程的决策，而非默认接受。

SLO 与成本权衡记录模板（templates/slo-cost-tradeoff-record.md）记录：正在讨论的 SLO、当前达成该 SLO 的成本、需求预测下的预计成本、备选 SLO 及成本对比、选择较低 SLO 时的降级路径、错误预算影响、负责的所有者以及审批记录。模板要求以证据（成本预测、负载测试数据）和明确责任人（谁来决策、谁负责）呈现这项权衡。

场景

增长场景

需求可预测地增长（例如，每月增长 15%）。问题是：现有容量何时会不足，提前满足增长需求需要多少成本？

指导：

1. 根据增长率预测未来需求，并给出置信区间。
2. 按当前利用率目标建模容量；确定最先达到饱和的资源。
3. 计算每一步扩容所需的增量成本。
4. 定义扩容触发条件——必须开始配置资源时的利用率阈值（资源预置时间很重要）。
5. 记录假设（增长率稳定、没有突变事件、当前利用率模式保持不变）和证据来源。

峰值场景

已知事件将使流量远超基线（产品发布、黑色星期五、季节性峰值）。问题是：峰值期间需要多少容量、成本是多少，以及这笔成本是否合理？

指导：

1. 将峰值需求与基线分开建模——描述峰值形态（高度、持续时间、爬升过程），而不只是峰值数值。
2. 按峰值而非平均值配置容量，并预留余量。
3. 在事件发生前，按预测的峰值吞吐量运行负载测试。没有负载证据的模型并不足够。
4. 定义峰值后的缩容计划及其触发条件——峰值过后仍保留容量会造成不必要的成本。
5. 如果峰值容量成本超出预算，则为降级后的峰值方案建模（哪些功能会降级，用户会有何体验）。

降级场景

依赖项发生故障，或资源限制迫使系统以低于满负荷的状态运行。问题是：系统在降级模式下是什么样的，核心路径需要多少容量，以及降级运行的成本是多少？

指导原则：

1. 对功能分级：核心功能（必须保留）与增强功能（可以舍弃）。降级路径设计请参阅 resilience-and-recovery。
2. 为仅运行核心路径的情况建模容量——舍弃增强功能后会释放哪些资源。
3. 计算降级运行的成本（成本可能低于满负荷运行，也可能因启用故障转移资源而更高）。
4. 定义降级运行的最长时限——降级模式最多能持续多久才需要升级处理。
5. 确保在演练日或混沌测试中验证降级容量模型（演练设计请参阅 resilience-and-recovery）。

成本受限场景

预算限制导致无法按理想容量或 SLO 目标配置资源。问题是：在预算范围内，能实现的最佳可靠性和性能是什么？由谁决策？

指导原则：

1. 从预算限制开始——明确说明预算上限（按月、季度或年度）。
2. 根据当前单位成本，对预算可购买的容量建模。
3. 计算该容量可支持的 SLO 和性能目标。
4. 与不受限制的理想情况进行比较：需要在 SLO、延迟和吞吐量方面作出哪些取舍。
5. 形成一份 SLO 与成本权衡记录，并指定负有责任的负责人。成本优化不得损害可靠性、隐私或用户体验——如果预算无法支持可接受的 SLO，应升级决策，而不是默默接受。

成本优化不能成为损害可靠性、隐私或用户体验的理由。 如果成本限制迫使团队在预算与这些不可妥协的要求之间作出选择，必须连同证据一起将权衡提交给负有责任的负责人；绝不能将其默默接受为一项优化措施。

何时不使用

此技能不提供通用的云成本建议（预留实例、竞价实例、“关闭未使用的资源”、“调整资源规格”、节省计划）。这些属于特定平台的实施策略，应归入 platform-engineering 参考资料或云服务商文档，而不是容量与成本方法论技能。此技能负责的是容量与成本的决策框架和证据标准，而不是一份削减成本的建议清单。

此技能不规定通用的利用率目标。对于流量突发且对延迟敏感的服务，70% 的利用率目标与负载可预测的批处理流水线的 85% 目标并不相同。每个利用率目标都必须说明背景、理由及其依据。没有背景说明的“目标利用率为 70%”并非容量决策，而是猜测。

此技能不允许以成本优化为由损害可靠性、隐私或用户体验。这些要求不可妥协。任何可能违反这些要求的成本受限场景都必须升级处理，而不是绕过限制进行优化。

路由表

任务涉及……	路由至……
损益表、融资、SaaS 指标（ARR/流失率/NDR）、定价策略	financial-modeling
基础设施实现、自动扩缩容、云资源配置、成本分摊标签	platform-engineering
SLO 定义、错误预算策略、事件指挥、值班运维	site-reliability-engineering
需求测量、流量预测埋点、跟踪计划	product-analytics-and-measurement
发布决策、跨领域证据整合、上线/不上线/延期/例外	production-readiness
产品组合容量分配、投注顺序、路线图权衡	product-roadmapping-and-portfolio
降级路径设计、恢复验证、RTO/RPO 决策、故障演练日	resilience-and-recovery
需求统计建模、时间序列预测、增长驱动因素的因果推断	data-scientist
成本数据管道实现、支出数据 ETL、成本仪表板数据模型	data-engineering
端到端租户语义、控制平面/应用平面、租户模式选择、生命周期或计费交接	multi-tenant-saas-architecture
租户隔离威胁、授权、特权支持或安全控制	secure-software-engineering
通用架构边界、拓扑或分解决策	software-architecture

文件索引

路径	加载时机
references/discovery-brief.md	了解所有权边界以及与相邻技能之间的路由规则时
templates/capacity-model.md	构建需求到容量的预测模型，并设定利用率目标和扩缩容触发条件时
templates/unit-economics-record.md	计算单位成本，并将其与 SLO 或需求决策关联时
templates/budget-quota-decision.md	定义预算阈值、配额限制、速率限制执行方式及运维后果时
templates/load-soak-test-plan.md	将负载测试或长时间稳定性测试设计或审查为容量证据时
templates/slo-cost-tradeoff-record.md	利用证据、问责机制和审批流程解决 SLO 与成本之间的权衡时
references/multi-tenant-capacity-and-unit-cost.md	对租户分布、偏斜、共享/隔离预留容量、层级承诺、准入、公平性证据和成本分配进行建模时
templates/tenant-capacity-model.md	记录租户配置文件、分区行为、预留容量、配额/准入证据和随租户变化的单位成本时
references/source-index.md	查看本方法论的公开来源及原创内容边界时