可观测性和 SRE 基线

目的

定义生产系统的最低可见性。先保证人类发布、排障、复盘时能看见事实；后续自动化也必须使用同一套事实。

工具

服务基线

每个生产服务都需要：

1. 结构化日志。
2. Request id / trace id。
3. 错误追踪。
4. Dashboard。
5. SLO 或健康目标。
6. 用户影响型告警。
7. Runbook。

三角色可观测性责任

黄金信号

跟踪：

异步系统还要增加 queue delay 和 stuck job count。

SLO 起步集

每个核心服务至少定义：

1. Availability。
2. P95 latency。
3. Error rate。
4. 如适用，Queue freshness。
5. Failed deployment recovery time。

运维手册

使用 templates/运维手册-runbook.md。

后续 Agent 就绪要求

这一节在人类可观测性稳定后再看。

Agent 自动化必须写出可观测 run：

1. Start 和 finish event。
2. Logs。
3. Exit code。
4. Error classification。
5. Artifact references。
6. Cost/usage。

没有可观测性，就不应该接受 autonomous run。

下一步阅读

读完或填完这份文档后，通常继续看：

• 54-事故管理-incident-management.md：监控和告警明确后，继续看事故如何分级、响应和复盘。