slo-implementation

slo-implementation 技能總覽

slo-implementation skill 可協助你把模糊的可靠性目標，轉成具體的 Service Level Indicators (SLIs)、Service Level Objectives (SLOs)、error budgets，以及告警邏輯。它特別適合 SRE、平台團隊、後端工程師，以及重視可靠性的產品負責人，用一套可重複執行的方法，明確定義服務「什麼程度才算夠好」。

slo-implementation skill 適合拿來做什麼

當你需要以下工作時，就很適合使用 slo-implementation skill：

• 為服務定義可衡量的可靠性目標
• 選擇合適的 SLI 類型，例如 availability 或 latency
• 設定符合商業影響的 SLO 目標
• 由目標反推出 error budget
• 建立以 burn rate 或 SLO consumption 為基礎的告警

相較於泛泛地輸入「幫我寫一份 SLO」，這個 skill 更實用，因為它提供了從 SLI 到 SLO 再到 SLA 的結構化層次，並且把工作落實到實作細節，例如 measurement window 與 PromQL 風格查詢。

誰適合安裝它

如果你的團隊已經有 telemetry，或短期內拿得到 telemetry，slo-implementation skill 會非常適合。對於使用 Prometheus 風格 metrics、又想採用符合 SRE 方法的可靠性實務，但不想從零自建整套框架的團隊來說，它尤其有幫助。

以下情況則相對沒那麼適合：

• 你目前還沒有任何有意義的服務 metrics
• 你的主要問題是 incident response，而不是可靠性目標設計
• 你只需要一份法律用途或對客戶展示的 SLA 文件

使用者在採用前最在意什麼

多數在評估 slo-implementation install 的使用者，最想先確認的是：

1. 它提供的是可執行的 SLO 設計協助，而不只是理論
2. 它是否涵蓋查詢與告警這類實作細節
3. 它能不能幫忙避開不良 SLO，例如只好看但沒意義的 uptime 目標
4. 它是否夠精簡，能融入真實工作流程

在這幾點上，這個 skill 是偏實務導向的：它涵蓋常見 SLI 類型、目標設定範例，以及 objectives 與 error budgets 之間的關係。

主要優勢與取捨

slo-implementation 最大的差異點，在於它聚焦於可靠性衡量與政策設計，而不會一路發散成一般性的 observability 建議。這種聚焦讓它更容易被正確調用，也更容易產出貼近需求的內容。

但相對的，這個 skill 的效果高度取決於你提供的服務情境。如果你沒有清楚說明 user journeys、流量型態、相依性、門檻值與 metric 名稱，輸出雖然聽起來合理，實際上卻很難真正落地操作。

如何使用 slo-implementation skill

slo-implementation skill 的安裝情境

請把這個 skill 安裝在你的 agent 可以存取 custom skills 的環境中。常見做法如下：

1. 把來源 repository 加到你的 skills 設定中
2. 啟用 slo-implementation skill
3. 當任務是定義或修訂 SLIs、SLOs、error budgets，或 SLO-based alerts 時再呼叫它

如果你的工具鏈支援直接安裝 skill，請用慣用的 skill loader 來載入這個 repository：
https://github.com/wshobson/agents/tree/main/plugins/observability-monitoring/skills/slo-implementation

根據 repository 內容來看，這個 skill 目前只有 SKILL.md，因此建議先讀這個檔案，而不要預期還會有 helper scripts 或其他額外參考資料。

先讀這個檔案

從這裡開始：

• plugins/observability-monitoring/skills/slo-implementation/SKILL.md

這個檔案包含了 slo-implementation guide 的核心內容：用途、適用時機、SLI/SLO/SLA 階層、常見 SLI 類型、目標範例，以及實作模式。

要讓 skill 產出有用結果，你需要提供哪些輸入

如果想得到高品質的 slo-implementation usage 結果，請提供 agent：

• 服務名稱，以及使用者會拿它做什麼
• 最重要的 user-facing journeys
• 目前可用的 metrics 與 labels
• 現有 dashboards、alerts，或 PromQL（如果有）
• 流量規模與季節性變化
• 業務重要性與 outage 成本
• 各 endpoint 或 operation 的 latency 預期
• 已知的 failure modes
• 你需要的是 internal SLOs、對齊 external SLA，或兩者都要

若缺少這些資訊，這個 skill 還是能先草擬一版 SLO，但通常會傾向預設成通用型的 availability 目標，以及過度簡化、以 request 為主的 SLI。

把模糊需求改寫成有力的 prompt

較弱的 prompt：

• 「Create SLOs for my API.」

較好的 prompt：

• 「Use the slo-implementation skill to define SLIs and SLOs for a multi-tenant payments API. Our critical user journeys are charge creation and webhook delivery. We use Prometheus. Available metrics include http_requests_total, http_request_duration_seconds_bucket, and queue retry counters. Propose 2 to 3 SLIs, recommend SLO targets, calculate monthly error budgets, and suggest burn-rate alerts. Exclude admin endpoints and health checks.」

這樣寫有效的原因是：

• 它界定了服務邊界
• 它指向了真實存在的 metrics
• 它把範圍限制在有意義的 user journeys
• 它要求的輸出正是這個 skill 擅長產出的內容

第一次使用時的最佳工作流程

一個實用的 slo-implementation usage 流程如下：

1. 先選一個服務，不要一口氣涵蓋整個平台
2. 點名 1 到 3 個關鍵 user journeys
3. 把每個 journey 對應到現有 signals
4. 請 skill 提出候選 SLIs
5. 檢查這些 SLIs 是否真正反映使用者體驗，而不是只有系統內部狀態
6. 設定初始的 SLO 目標與 error budget
7. 草擬告警邏輯
8. 驗證現有 metrics 是否真的支撐這套設計
9. 在 rollout 前再調整 thresholds 與 exclusions

這樣可以避開一種很常見的失敗模式：想一次就定出全企業通用的可靠性政策。

這個 skill 最擅長輸出哪些內容

slo-implementation skill 最強的地方在於：

• 提出常見的 SLI 模式，例如 availability 與 latency
• 解釋 SLI / SLO / SLA 之間的關係
• 把可靠性目標轉成可衡量的比率
• 建議合理的目標區間與 error budget framing
• 規劃以 SLO consumption 為基礎的告警方式

如果你需要快速產出第一版可操作的草案，並希望它建立在標準 SRE 語彙與思路上，這個 skill 會特別有幫助。

團隊通常會卡在哪裡

導入常見會卡在以下幾種情況：

• 團隊無法對 user-facing 的服務邊界達成共識
• 只有基礎設施層 metrics，沒有 user-journey 層級的 metrics
• 缺少 latency histograms，導致 threshold-based SLIs 很弱
• metrics 混入 bot traffic、internal jobs 或 health checks，扭曲了 numerator 與 denominator
• 目標是出於政治因素決定，而不是依據風險與成本

這個 skill 可以幫助你把討論架構化，但如果缺少 telemetry，它也無法憑空創造可信的 measurement。

能提升輸出品質的實用 prompt 模式

你可以要求這個 skill 用「可供決策」的格式輸出，例如：

• 「List candidate SLIs with rationale and tradeoffs.」
• 「Recommend one primary SLO and one secondary guardrail SLO.」
• 「Show PromQL-style formulas for each SLI.」
• 「Identify exclusions that should not count against the SLO.」
• 「Suggest alerting windows for fast and slow burn.」

這些 prompt 模式能把輸出拉到接近可實作的等級，而不只是抽象的可靠性建議。

如何把 slo-implementation 用在 Reliability 工作中

若是要做 slo-implementation for Reliability，適合在以下時機使用：

• 新服務上線前
• 正在做 observability 改善工作時
• 反覆發生 incidents，顯示目前 alerts 噪音過多時
• 管理層要求把可靠性目標與客戶影響連結起來時
• 需要把工程交付速度和 error budget policy 連動時

當團隊正從「什麼都監控」轉向「衡量真正對使用者重要的事」時，它的價值最高。

slo-implementation skill FAQ

slo-implementation 比一般 prompt 更好嗎？

如果你的任務是 SLI / SLO 設計，那答案是肯定的。一般 prompt 也許能產出還過得去的定義，但 slo-implementation 更有機會保留正確階層、提供可量測公式，並把目標和 error budgets、alerting 串起來。

slo-implementation skill 對新手友善嗎？

算中度友善。新手也能用，但若你已經了解基本 SRE 概念，並且手上有一些 telemetry 情境，通常會得到更好的結果。如果你才剛接觸 SLO，建議先挑一個服務使用，並在採用前逐一檢查每個建議的 metric。

它一定要搭配 Prometheus 嗎？

不需要，但這個 skill 的內容明顯和 Prometheus 以及 PromQL 風格的思路很契合。如果你使用的是 Datadog、CloudWatch、Grafana 或其他堆疊，仍然可以沿用它的邏輯，再把 metric expressions 轉寫成你平台的語法。

什麼情況不該使用 slo-implementation？

以下情況不要把 slo-implementation 當成主要工具：

• 你需要的是法律用途的 SLA 文字
• 你沒有任何可用的服務 telemetry
• 你真正的問題是 ownership，而不是 measurement
• 你的服務還太早期，連穩定的 user journeys 都還定不下來

遇到這些情況時，應該先補 instrumentation，或先解決 operating model 的問題，再來正式化 SLO。

它也能協助處理 alerting 嗎？

可以。這個 skill 不只是定義目標而已；它也涵蓋 error budgets 的操作面，以及以 SLO 為基礎的 alerts。這讓它比那些只停留在百分比目標的 template 更實用。

如何改善 slo-implementation skill 的使用效果

提供商業脈絡，不要只有技術 metrics

若想提升 slo-implementation 的結果品質，請告訴 agent：在商業上，可靠性代表什麼：

• 哪個 workflow 一旦退化就會損失營收？
• 哪些使用者是 premium，或對 latency 特別敏感？
• 可接受的影響持續時間是多久？

這能幫助 skill 選出更現實的目標，而不是直接預設成像 99.99% 這種看起來很漂亮、但未必合理的數字。

明確定義服務邊界

更好的 slo-implementation guide 輸入，會明確寫出哪些要算、哪些不算。例如：

• 納入 public API 的 write requests
• 排除 /healthz、admin routes 與 internal batch jobs
• 只衡量使用者可見的成功完成，而不只是 request 被接受

邊界是否清楚，是一個 SLO 能不能被團隊信任的關鍵因素之一。

提供 metric 名稱與範例查詢

只要你分享真實 telemetry，這個 skill 的輸出就會立刻更可執行。好的輸入通常包括：

• metric names
• label dimensions
• histogram buckets
• 目前的 alert queries
• dashboard links 或貼上的 snippets

這能讓輸出從概念型 SLO，進一步接近幾乎可直接落地的定義。

避免 vanity SLIs

常見失敗模式之一，是挑了容易收集、但和使用者體驗關聯很弱的 metrics。例如：

• pod restarts
• 單看 CPU saturation
• 某個 dependency 的原始 uptime，卻沒有對應到實際服務影響

請要求這個 skill 說明：為什麼每個 SLI 都能反映使用者感知到的可靠性。如果它說不出來，就應該替換掉那個 SLI。

第一版之後一定要再迭代

從 slo-implementation 得到的第一份輸出，應該視為草案。你可以透過以下追問來改善它：

• 「Which SLI is most representative of user harm?」
• 「What would make this SLO impossible to measure accurately?」
• 「Which exclusions are risky or easy to abuse?」
• 「How would this change for low-traffic services?」
• 「What alerting would reduce noise while protecting the error budget?」

這一輪第二次修正，通常會比直接接受第一版目標集合，產出更好的操作設計。

用歷史 incidents 來做壓力測試

提升 slo-implementation skill 輸出品質的最佳方式之一，就是把提議的 SLIs 與 alerts 拿去對照真實 incidents。你可以問：

• 這個 SLO 當時是否會偵測到問題？
• 它會不會把無害的失敗算得太多？
• 這套 burn-rate policy 會不會過早或過晚發出 page？

這個驗證步驟，能把一份看起來完整的文件，真正變成團隊可執行的東西。

一次只處理一個服務

如果結果看起來很制式、很空泛，通常代表範圍開太大了。這個 skill 在聚焦單一服務或單一 user journey 時效果最好。大型系統請拆成多次處理，之後再統一整理成標準化模式。