关于 sre-engineer
面向团队的 SRE 实践技能,用于评估和提升服务可靠性。内容涵盖 SLO、监控、运维杂务自动化、事故复盘与韧性测试。
主要功能
- 01SLO 与 SLI 定义指导
- 02错误预算计算与策略
- 03黄金信号监控与告警
- 04运维杂务自动化与混沌测试
适用场景
- 01设定可衡量的服务可靠性目标
- 02构建可执行的 SLO 告警与仪表板
- 03减少重复性运维杂务
- 04测试故障场景下的恢复能力
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ jeffallan/ claude-skills --skill sre-engineer安装后在 Claude Code 中输入/sre-engineer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。
references/automation-toil.mderror-budget-policy.mdincident-chaos.mdmonitoring-alerting.mdslo-sli-management.md详细介绍
SRE 工程师
核心工作流
- 评估可靠性 - 审查架构、SLO、事故和繁琐工作量
- 定义 SLO - 确定有意义的 SLI 并设定适当的目标
- 验证一致性 - 在继续之前,确认 SLO 目标符合用户预期
- 实施监控 - 构建黄金信号仪表板和告警
- 自动化繁琐工作 - 找出重复性任务并构建自动化方案
- 测试韧性 - 设计并执行混沌实验;在将实验标记为完成之前,验证恢复情况是否符合 RTO/RPO 目标;端到端验证恢复行为
参考指南
根据上下文加载详细指南:
| 主题 | 参考资料 | 加载时机 |
|---|---|---|
| SLO/SLI | references/slo-sli-management.md | 定义 SLO、计算错误预算时 |
| 错误预算 | references/error-budget-policy.md | 管理预算、消耗速率和策略时 |
| 监控 | references/monitoring-alerting.md | 设计黄金信号、告警和仪表板时 |
| 自动化 | references/automation-toil.md | 减少繁琐工作、设计自动化模式时 |
| 事故 | references/incident-chaos.md | 进行事故响应、混沌工程时 |
约束
必须做到
- 定义量化的 SLO(例如,99.9% 可用性)
- 根据 SLO 目标计算错误预算
- 监控黄金信号(延迟、流量、错误、饱和度)
- 为所有事故撰写无责复盘报告
- 衡量繁琐工作量并跟踪其减少进度
- 将重复的运维任务自动化
- 使用混沌工程测试故障场景
- 在可靠性与功能交付速度之间取得平衡
禁止事项
- 在缺乏用户影响依据的情况下设定 SLO
- 在没有可执行操作手册的情况下针对症状发出告警
- 在没有自动化计划的情况下容忍繁琐工作占比超过 50%
- 跳过复盘或追究个人责任
- 为重复性任务实施手动流程
- 未进行容量规划就部署
- 忽视错误预算耗尽
- 构建无法平稳降级的系统
输出模板
实施 SRE 实践时,请提供:
- 包含 SLI 测量方式和目标的 SLO 定义
- 监控/告警配置(Prometheus 等)
- 自动化脚本(Python、Go、Terraform)
- 包含明确修复步骤的操作手册
- 对可靠性影响的简要说明
具体示例
SLO 定义与错误预算计算
# 99.9% availability SLO over a 30-day window
# Allowed downtime: (1 - 0.999) * 30 * 24 * 60 = 43.2 minutes/month
# Error budget (request-based): 0.001 * total_requests
# Example: 10M requests/month → 10,000 error budget requests
# If 5,000 errors consumed in week 1 → 50% budget burned in 25% of window
# → Trigger error budget policy: freeze non-critical releases
Prometheus SLO 告警规则(多窗口消耗速率)
groups:
- name: slo_availability
rules:
# Fast burn: 2% budget in 1h (14.4x burn rate)
- alert: HighErrorBudgetBurn
expr: |
(
sum(rate(http_requests_total{status=~"5.."}[1h]))
/
sum(rate(http_requests_total[1h]))
) > 0.014400
and
(
sum(rate(http_requests_total{status=~"5.."}[5m]))
/
sum(rate(http_requests_total[5m]))
) > 0.014400
for: 2m
labels:
severity: critical
annotations:
summary: "High error budget burn rate detected"
runbook: "https://wiki.internal/runbooks/high-error-burn"
# Slow burn: 5% budget in 6h (1x burn rate sustained)
- alert: SlowErrorBudgetBurn
expr: |
(
sum(rate(http_requests_total{status=~"5.."}[6h]))
/
sum(rate(http_requests_total[6h]))
) > 0.001
for: 15m
labels:
severity: warning
annotations:
summary: "Sustained error budget consumption"
runbook: "https://wiki.internal/runbooks/slow-error-burn"
PromQL 黄金信号查询
# Latency — 99th percentile request duration
histogram_quantile(0.99, sum(rate(http_request_duration_seconds_bucket[5m])) by (le, service))
# Traffic — requests per second by service
sum(rate(http_requests_total[5m])) by (service)
# Errors — error rate ratio
sum(rate(http_requests_total{status=~"5.."}[5m])) by (service)
/
sum(rate(http_requests_total[5m])) by (service)
# Saturation — CPU throttling ratio
sum(rate(container_cpu_cfs_throttled_seconds_total[5m])) by (pod)
/
sum(rate(container_cpu_cfs_periods_total[5m])) by (pod)
繁琐工作自动化脚本(Python)
#!/usr/bin/env python3
"""Auto-remediation: restart pods exceeding error threshold."""
import subprocess, sys, json
ERROR_THRESHOLD = 0.05 # 5% error rate triggers restart
def get_error_rate(service: str) -> float:
"""Query Prometheus for current error rate."""
import urllib.request
query = f'sum(rate(http_requests_total{{status=~"5..",service="{service}"}}[5m])) / sum(rate(http_requests_total{{service="{service}"}}[5m]))'
url = f"http://prometheus:9090/api/v1/query?query={urllib.request.quote(query)}"
with urllib.request.urlopen(url) as resp:
data = json.load(resp)
results = data["data"]["result"]
return float(results[0]["value"][1]) if results else 0.0
def restart_deployment(namespace: str, deployment: str) -> None:
subprocess.run(
["kubectl", "rollout", "restart", f"deployment/{deployment}", "-n", namespace],
check=True
)
print(f"Restarted {namespace}/{deployment}")
if __name__ == "__main__":
service, namespace, deployment = sys.argv[1], sys.argv[2], sys.argv[3]
rate = get_error_rate(service)
print(f"Error rate for {service}: {rate:.2%}")
if rate > ERROR_THRESHOLD:
restart_deployment(namespace, deployment)
else:
print("Within SLO threshold — no action required")
由 @jeffallan 维护,他是 Synergetic Solutions 的首席顾问。
评论
支持 Markdown