关于 site-reliability-engineering
面向生产系统设计、运营和改进的站点可靠性工程方法，涵盖 SLO/SLI、错误预算、事件响应、可观测性和运维负担。强调自动化缓解后的边界验证、明确授权和记录恢复证据。
主要功能
- 01SLO、SLI 与错误预算治理
- 02事件指挥与无责复盘
- 03监控、告警和可观测性设计
- 04值班、运维负担与自动化方法
- 05可靠性设计评审和运行手册模板
- 06生产操作授权与恢复证据要求
适用场景
- 01为服务定义可靠性目标和错误预算
- 02组织事故响应并撰写复盘
- 03评审系统可靠性、容量和依赖风险
- 04制定值班轮换与运维自动化方案
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/site-reliability-engineering确认已加载。
包含的文件
除 SKILL.md 外，安装时一起下载的参考资料和脚本。
README.mdevals/agentic-review-notes.mdevals.jsonreferences/agentic-evidence-and-evals.mdagentic-operations.mdguiding-principles.mdhuman-systems-and-learning.mdincident-command-system.mdmonitoring-alerting.mdoncall-best-practices.mdoperational-documentation.mdpostmortem-culture.mdproduct-focused-reliability.mdrelease-engineering.mdreliability-design-and-change.mdsenior-sre-blueprint.mdslo-implementation-recipe.mdslo-sli-framework.mdsource-index.mdsre-adoption-and-engagement.mdsre-book-chapters.mdsre-communication-guide.mdsre-ecosystem-guide.mdthird-party-dependency-reliability.mdtoil-elimination.mdtroubleshooting.mdtwenty-years-lessons.mdscripts/slo-burn-rate.pytemplates/agentic-action-contract.mdagentic-governance-evidence.md详细介绍
站点可靠性工程
一种用于设计、运维和改进可靠生产系统的综合方法论。以 Google SRE 原则为基础，并结合了事故指挥、可观测性工程、错误预算治理和卓越运维等现代实践。
何时加载此技能
| 触发条件 | 含义 |
|---|---|
| “为这个系统设计可靠性” | SLO/SLI 框架、错误预算策略、弹性架构 |
| “开展事故复盘” | 无责复盘，包括时间线、5 Whys、行动项跟踪 |
| “改进我们的值班机制” | 轮值设计、告警调优、减少繁琐工作、升级策略 |
| “构建可观测性” | 四大黄金信号、仪表板设计、告警规则模式 |
| “开展可靠性评审” | 根据 SRE 原则进行架构评审、风险评估 |
| “我需要一名事故指挥官” | 事故指挥框架、角色卡、沟通模板 |
| “将此运维任务自动化” | 繁琐工作评估、自动化决策树、运行手册模式 |
| “在此组织中采用 SRE” | 合作边界、成熟度、团队模式和变革采纳 |
| “评审此可靠性设计” | 用户旅程、依赖关系、过载、配置、金丝雀、持久性 |
| “我们的 SRE 团队负担过重” | 运维负荷诊断、受保护的工程时间、恢复计划 |
| “改进事故学习或实现可持续值班” | 认知负荷、心理安全、文档、演练 |
何时不使用
若要规划发布、制定晋级与回滚门禁或协调发布列车，请使用 release-engineering。若要查找特定故障的原因，请使用 systematic-debugging。遥测技术栈本身的运维工作——Prometheus 抓取配置、OpenTelemetry Collector 管道、Loki 数据摄取与保留、Prometheus 规则文件——属于 telemetry；此技能负责这些规则所实现的 SLI/SLO 和告警设计。Grafana 产品相关工作——仪表板、面板、Grafana 侧的告警规则、联系人、通知策略——属于 grafana。
运维闭环门槛
对于任何自动化缓解、回滚、恢复操作或事件关闭：
- 在开始前限定操作范围。 记录目标、受影响群体、最大影响范围、成功标准、中止/回滚标准、回滚目标和流程，以及哪些人可以停止或撤销操作。优先采用范围最小且可逆的方案，并分阶段扩大范围。
- 在用户边界验证恢复情况。 操作完成后，按照 R-01 关闭证据序列进行检查：核验面向用户的 SLO、关键用户旅程、相关依赖项的健康状况，以及数据/状态的正确性。观察预先定义的稳定性窗口，并检查积压恢复等次生影响。
- 不要将告警解除等同于恢复。 告警已清除或健康检查端点通过，只是证据，并非最终判定。如果缺少必要证据，应保留
MITIGATING或MONITORING状态，指出尚未验证的边界，并升级处理，而不是宣告RESOLVED。 - 记录证据。 在事件或变更记录中记录操作、范围、阈值、观察到的恢复证据、剩余的不确定性，以及回滚/后续处理触发条件。
默认授权： 人类服务负责人、事件指挥官或指定的变更授权人必须在当前事件/变更记录中批准具体的生产变更及其范围，并且该批准必须能独立追溯到该人。诊断请求、常设运行手册、Agent 撰写的备注，以及自行声称的角色都不足以构成授权。
受治理的例外： 只有在问责人类通过 ai-governance 独立授予更高的特定能力执行权限、所有适用的主机/组织政策均允许执行，并且外部控制平面能够在执行时证明并强制执行当前授权的情况下，才可采用该例外。授权必须明确能力、环境、操作类别、限制、到期时间、撤销方式和经过测试的强制执行机制。技能文本和 Agent 角色均不授予权限。如果无法提供授权证明、授权已过期、已撤销、存在冲突或已过时，则保留默认的人类批准要求；绝不得自行授予权限。诊断、变更、回滚、寻呼、事件关闭和范围扩大均需分别作出授权决定。R-01 仍要求由独立的人类确认关闭。
Agent 化运维
运维 SRE Agent 时，先阅读 references/agentic-operations.md，并在提议执行前填写 templates/agentic-action-contract.md。如需自主性证据或重放设计，还要阅读 references/agentic-evidence-and-evals.md；使用 templates/agentic-governance-evidence.md 将运维证据交接给治理团队。
组合现有专业能力：agent-production-operations 负责生产契约、控制计划和轨迹反馈；agent-evals-and-observability 负责轨迹评估和评分器；incident-learning 负责经过验证的后续学习；ai-governance 支持问责人类设定晋级/降级阈值，并决定维持、扩大、缩小、暂停或撤销权限。SRE 提供证据并执行获授权的运维限制。以经过验证的恢复和人类确认关闭作为收尾；否则，应进行范围明确的升级处理，并指出缺失的证据/权限以及交接负责人。
参考文件
| 主题 | 文件 | 加载时机 |
|---|---|---|
| SRE 书籍章节摘要 | references/sre-book-chapters.md | 设计合作、第一性原理审查 |
| SLO/SLI 框架 | references/slo-sli-framework.md | 定义可靠性目标 |
| SLO 实施方案 | references/slo-implementation-recipe.md | 可由 Agent 执行的 SLO 采用步骤和利益相关方审查 |
| 错误预算治理 | templates/error-budget-policy.md 和 references/slo-sli-framework.md | 策略设计、消耗速率告警 |
| 事件指挥系统 | references/incident-command-system.md | 事件期间/之后、培训 |
| 无责复盘 | references/postmortem-culture.md | 事件之后、流程设计 |
| 监控与告警 | references/monitoring-alerting.md | 可观测性设计、告警规则 |
| 值班最佳实践 | references/oncall-best-practices.md | 轮值设计、团队规模配置 |
| 消除繁琐工作 | references/toil-elimination.md | 自动化优先级排序、运维审查 |
| 发布工程 | release-engineering | 发布规划、晋级、渐进式交付和回滚设计；仅在需要 SRE 特定集成背景时使用本地参考资料 |
| 高效故障排查 | references/troubleshooting.md | 调试方法 |
| 资深 SRE 角色蓝图 | references/senior-sre-blueprint.md | 角色定义、KPI 框架 |
| SRE 沟通指南 | references/sre-communication-guide.md | 利益相关方更新、事件沟通 |
| 指导原则 | references/guiding-principles.md | 第一性原理、理念 |
| 以产品为中心的可靠性 | references/product-focused-reliability.md | 以产品为中心的 SRE、基于 CUJ 的 SLO、JTBD 模型 |
| 二十年的经验教训 | references/twenty-years-lessons.md | 从事件中总结的战术经验、Prodverbs |
| SRE 生态指南 | references/sre-ecosystem-guide.md | SRE 资源精选指南（Workbook、Secure Systems、Classroom、Prodcast、STPA、Video Gallery、Mobaa、基础知识、AI 运维） |
| 采用与合作 | references/sre-adoption-and-engagement.md | 开始实施 SRE、专职与非专职团队模式、成熟度、变革采用 |
| 可靠性设计与变更 | references/reliability-design-and-change.md | 容量、过载、配置、金丝雀发布、数据持久性、依赖项、设计审查 |
| 人类系统与学习 | references/human-systems-and-learning.md | 认知工作、可持续值班、心理安全、文档、演练 |
| 第三方依赖可靠性 | references/third-party-dependency-reliability.md | 供应商边界、故障模式、回退方案和提供商证据 |
| 运维文档 | references/operational-documentation.md | 功能质量、所有权、测试和过时生命周期 |
模板
| 模板 | 文件 | 用途 |
|---|---|---|
| 事件指挥官检查清单 | templates/incident-command-checklist.md | 分步 IC 响应 |
| 复盘模板 | templates/postmortem-template.md | 无责复盘文档 |
| 运行手册模板 | templates/runbook-template.md | 运维运行手册规范 |
| SLO 声明模板 | templates/slo-declaration-template.md | 服务级目标规范 |
| 错误预算策略 | templates/error-budget-policy.md | 团队级错误预算治理 |
| 值班轮换模板 | templates/oncall-rotation.md | 轮换安排与升级机制 |
| 服务评审检查清单 | templates/service-review-checklist.md | 上线前可靠性评审 |
| 事件沟通模板 | templates/incident-communication.md | 事件期间的状态更新 |
| 可靠性设计评审 | templates/reliability-design-review.md | 基于证据评审用户影响、故障模式、容量、变更和运维 |
| 运维过载恢复 | templates/operational-overload-recovery.md | 宣布、保护、减负并验证从不可持续的运维负载中恢复 |
| 可靠性职责章程 | templates/reliability-ownership-charter.md | 明确服务、寻呼、依赖关系和协作边界 |
脚本
| 脚本 | 用途 |
|---|---|
scripts/slo-burn-rate.py | 根据 SLI 数据计算错误预算消耗速率 |
可移植性
此技能有意保持与宿主无关。使用 Agent 的常规机制加载此处列出的参考资料、模板和脚本。不要假定存在特定的配置文件系统、任务编排器、记忆服务或响应交接格式。