slos-and-triggers

Honeycomb SLO 和触发器

有关在 Honeycomb 中配置和理解可靠性的指南。get_slos 和 get_triggers 工具会说明各自的参数；本技能侧重于如何 设计 有效的 SLO、如何在 SLO 和触发器之间 选择，以及如何 解读 这些数字的含义。

可用性：SLO 需要 Pro 或 Enterprise 计划。所有计划均可使用触发器。

SLO 与触发器——何时使用哪一个

问题	SLO	触发器
“我们是否达到了可靠性承诺？”	是	否
“现在是否出了问题？”	否	是
“我们的错误预算消耗速度有多快？”	是（消耗速率告警）	否
“错误数是否超过了阈值？”	否	是
“我们是否应该放慢部署速度？”	是（剩余预算）	否

经验法则：SLO 用于衡量一段时间内的可靠性是否符合承诺。触发器用于捕捉即时的运营问题。

设计有效的 SLO

定义 SLI

SLI 是一个针对每个事件的布尔值：该事件是否成功？它通过计算字段实现，返回 undefined（不相关事件）、1（成功）或 0（失败）。

• 格式：IF(<qualifying-condition>, <success-condition>) 限定条件用于筛选相关事件；成功条件用于定义成功的标准。如果不满足限定条件，公式会返回 undefined，且不会填充 SLI。
• 明确的限定条件：选择相关事件的子集（例如，对结账端点的根 span 使用 AND(EQUALS($http.route, "/checkout"), NOT(EXISTS($trace.parent_id)))）
• 延迟成功条件：LTE(duration_ms, 500) — 请求耗时低于 500ms
• 可用性成功条件：LTE(http.status_code, 499) — 非 5xx 响应
• 业务逻辑成功条件：EQUALS(checkout.status, "completed") — 结账成功

设定目标

• 从保守的目标开始（先设为 99%，而非 99.99%）
• 先使用 P50/P99 查询测量当前基线
• 将目标设定为略高于当前性能
• 思考：用户实际需要怎样的可靠性？

配置耗尽时间告警

至少配置两种告警：

• 接近耗尽（耗尽时间约为 4h）：通过 PagerDuty 通知当班人员
• 耗尽趋势（24h 内的预算消耗速率）：通过 Slack 通知团队

配置消耗速率告警

即使预算尚未接近耗尽，也要检测快速消耗。例如：

• 1h 消耗速率 > 10x — 通知当班人员

创建 SLO 后，建议向用户推荐这些告警。Agent 无法设置这些告警或其接收人。

最佳实践

• 尽量在靠近用户的位置测量（在边缘，而不是在调用栈深处）
• 围绕用户工作流设计，而非围绕团队边界
• 优先考虑覆盖面广的 SLO，而不是多个范围狭窄的 SLO
• 从一个 SLO 开始，减少噪声后再扩展

解读 SLO 状态

使用 get_slos 查看 SLO 时：

• 剩余预算 > 50%：状态健康——有承担风险的空间
• 剩余预算为 10-50%：需要谨慎——放慢变更速度
• 剩余预算 < 10%：存在风险——暂停非关键部署
• 预算为负数：已超出预算——立即使用生产环境调查技能进行排查
• 合规率为 0%：SLI 可能配置错误（列选错、逻辑反了或没有匹配的事件）——检查 SLI 定义

配置触发器

优先选择基于计数的触发器，而非基于百分位数的触发器

“50 个请求耗时超过 2s”比“P99 为 2100ms”更具可操作性。 使用 COUNT WHERE duration_ms > threshold，而不是 P99 触发器。

常见模式

• 错误激增：COUNT WHERE error = true，5 min 内阈值 > N
• 请求缓慢：COUNT WHERE duration_ms > 2000，5 min 内阈值 > N
• 流量下降：COUNT WHERE is_root，10 min 内阈值 < N（低于正常水平）

最佳实践

• 名称：警报内容。描述：要采取的操作（链接到运行手册）。
• 将持续时间至少设为 5-10 分钟，以避免抖动
• 先设置得不那么灵敏，再根据误报率逐步收紧

多服务 SLO

最多可由 10 个服务共享单个错误预算。

• SLI 必须是环境级别的计算字段
• 纳入的服务产生的事件权重相同
• 使用场景：多个边缘服务、从单体迁移到微服务

与用户确认

Honeycomb 工作区的 SLO 和触发器数量有限。执行创建工具前，请先与用户确认。展示所有参数和你的理由，并征求确认。

构造指向 SLO 的链接

你所拥有的工具无法直接链接到 Honeycomb 中的 SLO 页面。 你可以改为链接到 SLO 列表。

/<team_slug>/environments/<environment_slug>/slos

其他资源

参考文件

• ${CLAUDE_PLUGIN_ROOT}/skills/slos-and-triggers/references/slo-design-guide.md — 详细的 SLO 设计方法、多服务 SLO 和错误预算计算
• ${CLAUDE_PLUGIN_ROOT}/skills/slos-and-triggers/references/trigger-examples.md — 按使用场景整理的完整触发器示例库
• ${CLAUDE_PLUGIN_ROOT}/skills/slos-and-triggers/references/alerting-strategy.md — 如何将 SLO 消耗告警和触发器结合成连贯的告警策略

交叉引用

• 有关构造 SLI 查询和计算字段，请参阅 query-patterns 技能
• 有关调查 SLO 预算消耗，请参阅 production-investigation 技能