ops-devops-platform

DevOps 与平台工程

快速参考

需求	入门方向
基础设施配置	Terraform、OpenTofu、Pulumi 或云原生 IaC
集群或应用部署	稳定运行时优先采用 GitOps，本地迭代则使用直接工具
CI/CD	受保护的流水线，加上工作负载身份和供应链控制措施——参见 supply-chain-security
可观测性	OpenTelemetry，加上指标、日志、追踪和基于 SLO 的告警
平台工程	黄金路径、策略即代码和自助式接口
事件运维	运行手册、严重级别模型、升级流程和事后复盘

工作流

1. 确定主要问题类型：
   • 配置
   • 部署
   • CI/CD
   • 可观测性
   • 平台工程
   • 安全加固
   • 事件运维
2. 选择与运行环境和团队技能相匹配的最小可行工具链
3. 加载相关参考资料和模板集
4. 使用 source and release links 检查目标运行环境支持的 API、工具兼容性和弃用情况；如需验证来源，请加载 supply-chain-security，并根据选定的 SLSA 级别评估实际构建器
5. 分开验证各阶段：静态检查／计划、目标环境协调、运行时健康状况及有代表性的服务路径，以及回滚或前滚准备情况
6. 最后提供具体的运维产出：计划、控制措施、负责人、工件或提交标识、环境、观察时段和未经测试的故障模式

决策规则

情况	规则
基础设施变更	默认使用 IaC；紧急手动变更应在下次晋级前同步回代码
稳定运行时的生产环境协调	使用 GitOps（Argo CD / Flux），而非基于推送的部署
CI 凭据	优先使用工作负载身份（OIDC），而非长期有效的密钥
告警	对可操作的 SLO 消耗速率或即将耗尽的容量触发页面告警；将诊断性主机指标发送到仪表盘
新环境	平台模板 + 策略守卫；避免特殊配置
供应链完整性	SLSA 构建级别 + cosign 无密钥签名
配置漂移	通过协调器或 CI 中的 terraform plan 检测；绝不要等到意外发生时才发现

相关路由

• 服务级重试、截止时间和混沌工程 -> qa-resilience
• 遥测实施细节 -> qa-observability
• 后端服务设计 -> software-backend
• 系统架构 -> software-architecture-design
• 应用安全专属设计 -> software-security-appsec
• Git 分支和 PR 工作流策略 -> dev-git-workflow
• 处理线上事件、值班或事后复盘 -> ops-incident-response
• 云、SaaS 或 AI API 开支 -> ops-cost-optimization
• 使用 NUKE 构建 .NET -> ops-nuke-cicd

---

防护原则

领域	应做事项	应避免的反模式
资源配置	所有重大变更都纳入 IaC；设置明确的晋级关卡	通过点击操作导致配置漂移；基础设施未添加标签
交付	保护流水线；确保制品来源可追溯；执行回滚和冒烟测试	流水线缺少身份边界
平台	先打造标准路径，再提供自助服务；采用可减少差异的策略即代码	发布工具时没有明确的采用路径或归属方
可观测性	先定义 SLO；通过共享的 trace ID 关联日志、追踪和指标	根据原始主机指标阈值触发告警，造成告警疲劳
事件	将复盘结果用于更新操作手册和平台	复盘止步于事件叙述
成本	创建资源时添加标签并设置预算告警；每月优化资源规格	环境缺乏管理且配置各异；预留资源未经审核

---

导航

参考资料路由

在以下情况下加载…	参考资料
供应链、SBOM、签名、SLSA	references/supply-chain-security.md
DORA 的五项指标和团队类型（Elite/High/Medium/Low 等级已废弃）、AI 采用的不稳定性成本、一般 DevOps 最佳实践	references/devops-best-practices.md
GitLab CI — 父子流水线、MR 变量陷阱、环境变量导出模式	references/gitlab-ci-patterns.md
选择工具（IaC、GitOps、CI、策略、可观测性）	references/tool-landscape.md
黄金路径、内部开发者门户、平台成熟度、何时不应构建 IDP、平台与产品的边界、衡量团队认知负荷（Weis 四集群模型、Teamperature、领导负荷）、CI/IaC/GitOps 采用顺序	references/platform-engineering-patterns.md
GitOps 多环境晋级、Argo CD / Flux 模式、自动化延迟，以及持续 apply 优于按变更 apply 的原因	references/gitops-workflows.md
Terraform 状态隔离、为什么 terraform workspace 不适用于环境、stage/prod/mgmt/global 布局、状态中的密钥和后端选择	references/terraform-state-architecture.md
堆栈规模（单体 → 应用组 → 服务 → 微型）、影响范围、“我的堆栈是单体吗？”	references/stack-sizing-patterns.md
IaC 测试层级及其盲点、基础设施测试菱形与金字塔、瑞士奶酪分层	references/infrastructure-testing-strategy.md
值班、严重性模型、升级处理、事后复盘	references/sre-incident-management.md
Day 2 运维手册、环境卫生	references/operational-patterns.md
AIOps 告警关联、自动分诊	references/aiops-patterns.md
Kalman 金丝雀、成本自动扩缩容器、CI 容量稳定器	references/control-theory-applied.md
容量规划、饱和度 SLO、流水线瓶颈排查	references/queueing-theory-applied.md
CI/CD 吞吐量恢复、约束显现、支出重新分配	references/theory-of-constraints-applied.md
平台团队章程、algedonic 升级机制、PRR 审计	references/cybernetics-vsm-applied.md
MTBF/MTTR、可用性预算、FMEA	references/reliability-theory-applied.md
CAP/PACELC、共识、幂等性、法定人数	references/distributed-systems-applied.md
源 URL 和发布跟踪器	data/sources.json

更改源清单时，请在此技能目录中运行 python3 scripts/validate_sources.py --skip-network，仅检查架构和覆盖情况。使用 python3 -m pytest scripts/test_validate_sources.py 运行离线 CLI 回归测试。URL 可访问性和源内容需要单独检查；架构检查通过并不会更新证据日期。

模板

AWS / GCP / Azure

• assets/aws/template-aws-ops.md — AWS 日常运维检查清单
• assets/aws/template-aws-terraform.md — AWS Terraform 模块骨架
• assets/aws/template-cost-optimization.md — AWS 成本优化与预留资源审查
• assets/gcp/template-gcp-ops.md — GCP 日常运维检查清单
• assets/gcp/template-gcp-terraform.md — GCP Terraform 模块骨架
• assets/azure/template-azure-ops.md — Azure 日常运维检查清单

Kubernetes

• assets/kubernetes/template-kubernetes-ops.md — 集群日常运维、探针与滚动更新规则、HPA 检查清单
• assets/kubernetes/template-ha-dr.md — 高可用与灾难恢复拓扑
• assets/kubernetes/template-platform-api.md — 用于自助服务的平台 API 契约
• assets/kubernetes/template-k8s-deploy.yaml — 基础 Deployment 清单

Docker / Kafka

• assets/docker/template-docker-ops.md — 镜像构建与运行时加固
• assets/kafka/template-kafka-ops.md — Kafka 集群运维

Terraform / IaC

• assets/terraform-iac/template-iac-terraform.md — 根模块结构
• assets/terraform-iac/template-module.md — 可复用的子模块
• assets/terraform-iac/template-env-promotion.md — 环境晋级工作流

CI/CD 和 GitOps

• assets/cicd-pipelines/template-ci-cd.md — 通用 CI/CD 流水线设计
• assets/cicd-pipelines/template-github-actions.md — 使用 OIDC 的 GitHub Actions 工作流
• assets/cicd-pipelines/template-gitops.md — GitOps 晋级流水线
• assets/cicd-pipelines/template-release-safety.md — 发布关卡与回滚

监控 / 可观测性

• assets/monitoring-observability/template-slo.md — SLO 定义表
• assets/monitoring-observability/template-alert-rules.md — 消耗速率告警规则
• assets/monitoring-observability/template-observability-slo.md — 完整的可观测性 + SLO 技术栈
• assets/monitoring-observability/template-loadtest-perf.md — 负载测试与性能基线

事件响应

• assets/incident-response/template-postmortem.md — 无责复盘
• assets/incident-response/template-runbook-starter.md — Runbook 入门模板
• assets/incident-response/template-incident-comm.md — 利益相关方沟通
• assets/incident-response/template-incident-response.md — 完整的事件响应手册

安全 / 成本

• assets/security/template-security-hardening.md — 加固检查清单
• assets/cost-governance/template-cost-governance.md — FinOps 标签与预算控制

共享工具

• ../software-clean-code-standard/references/config-validation.md
• ../software-clean-code-standard/references/resilience-utilities.md
• ../software-clean-code-standard/references/logging-utilities.md
• ../software-clean-code-standard/references/observability-utilities.md

相关技能

• ../qa-resilience/SKILL.md
• ../data-sql-optimization/SKILL.md
• ../qa-observability/SKILL.md
• ../qa-debugging/SKILL.md
• ../software-security-appsec/SKILL.md
• ../software-backend/SKILL.md
• ../software-architecture-design/SKILL.md
• ../dev-api-design/SKILL.md
• ../dev-git-workflow/SKILL.md
• ../ai-mlops/SKILL.md

经验总结循环

如果以往的决策或易错点与当前任务相关，请在 learnings.consolidated.md 存在时查阅；只有在需要查看历史记录或将其作为可用的备用文件时，才使用 learnings.md。否则跳过这两个文件。

应用经验后，如果遇到了值得记住的模式、值得避免的错误，或令你意外的领域事实，请通过 agents-skills-feedback-loop/scripts/append_learning.py 向 learnings.md 追加一条带日期的要点。不要修改 SKILL.md 本身。