slo-implementation

slo-implementation 技能概览

slo-implementation skill 用于把模糊的可靠性目标，落到可执行的 Service Level Indicators（SLI）、Service Level Objectives（SLO）、错误预算（error budget）和告警逻辑上。它尤其适合 SRE、平台团队、后端工程师，以及重视可靠性的产品负责人，用一套可复用的方法定义“服务健康到什么程度才算足够好”。

slo-implementation skill 适合解决什么问题

当你需要以下能力时，就应该使用 slo-implementation skill：

• 为某个服务定义可衡量的可靠性目标
• 选择合适的 SLI 类型，例如 availability 或 latency
• 设定与业务影响相匹配的 SLO 目标
• 从目标反推出 error budget
• 基于 burn rate 或 SLO 消耗情况设计告警

相比泛泛地让模型“帮我写一个 SLO”，slo-implementation 更有价值，因为它会按 SLI → SLO → SLA 的结构化层级来组织内容，并把设计落到 measurement window、PromQL 风格查询等实现细节上，而不只是停留在概念层面。

哪些人应该安装

如果你已经有 telemetry，或者很快就能拿到，那么 slo-implementation skill 会非常适合你。对于使用 Prometheus 风格指标、希望引入符合 SRE 实践的可靠性方法、又不想从零搭框架的团队，它尤其有用。

如果你属于以下情况，它的价值会相对有限：

• 还没有任何有意义的服务指标
• 当前核心问题是 incident response，而不是可靠性目标设计
• 你只需要一份面向客户或法律场景的 SLA 文档

用户在决定采用前最关心什么

大多数在评估 slo-implementation install 的用户，通常最关心这几点：

1. 它给出的是否是可落地的 SLO 设计建议，而不只是理论
2. 是否支持查询、告警等实现层细节
3. 是否能帮助避开糟糕的 SLO，比如“好看但没意义”的 uptime 指标
4. 是否足够简洁，能真正嵌入日常工作流

在这些点上，这个 skill 的实用性是比较强的：它覆盖了常见 SLI 类型、目标设定示例，以及 objective 和 error budget 之间的关系。

核心优势与取舍

slo-implementation 最大的差异点在于，它始终聚焦于可靠性度量与策略设计，而不会跑偏成泛泛的 observability 建议。正因为聚焦，实际调用时也更容易发挥效果。

它的代价在于：这个 skill 的输出质量，很大程度取决于你给出的服务上下文。如果你不说明 user journey、流量模式、依赖关系、阈值和 metric 名称，输出看起来可能很合理，但真正落地时会很难操作。

如何使用 slo-implementation skill

slo-implementation skill 的安装上下文

把这个 skill 安装到你的 agent 可以访问自定义 skills 的环境中。典型做法是：

1. 将源仓库加入你的 skills 配置
2. 启用 slo-implementation skill
3. 当任务是定义或修订 SLI、SLO、error budget 或基于 SLO 的告警时调用它

如果你的工具链支持直接安装 skill，可使用常规的 skill loader 加载以下仓库路径：
https://github.com/wshobson/agents/tree/main/plugins/observability-monitoring/skills/slo-implementation

从仓库内容来看，这个 skill 目前只提供了 SKILL.md，因此应优先阅读这个文件，而不要预期还有辅助脚本或额外参考资料。

先读这个文件

从这里开始：

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

这个文件才是 slo-implementation guide 的核心内容，包含它的用途、适用场景、SLI/SLO/SLA 层级关系、常见 SLI 类型、目标示例以及实现模式。

想让 skill 产出有用结果，需要提供哪些输入

要获得高质量的 slo-implementation usage 输出，建议给 agent 这些信息：

• 服务名称，以及用户拿它来做什么
• 最重要的用户侧关键路径
• 当前已有的 metrics 和 labels
• 现有 dashboard、alerts 或 PromQL（如果有）
• 流量规模和季节性特征
• 业务关键程度和故障成本
• 各 endpoint 或 operation 的延迟预期
• 已知故障模式
• 你需要的是内部 SLO、对齐外部 SLA，还是两者都要

如果没有这些信息，这个 skill 依然能帮你草拟 SLO，但往往会退回到比较通用的 availability 目标，以及过于简单的基于请求数的 SLI 设计。

如何把模糊需求变成高质量 prompt

弱 prompt：

• “Create SLOs for my API.”

更好的 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.”

为什么这个 prompt 更有效：

• 它明确了服务边界
• 它指向了真实存在的指标
• 它把范围限制在真正有意义的 user journey 上
• 它请求的输出，正是这个 skill 擅长生成的内容

第一次使用 slo-implementation 的最佳工作流

一个实用的 slo-implementation usage 流程通常是：

1. 先挑一个服务，而不是整个平台
2. 明确 1 到 3 条关键 user journey
3. 把每条 journey 映射到现有 signals
4. 让 skill 给出候选 SLI
5. 评审这些 SLI 是否真实反映用户体验，而不只是系统内部状态
6. 设定初始 SLO 目标和 error budget
7. 起草告警逻辑
8. 验证现有 metrics 是否真的支持这套设计
9. 在正式 rollout 前，继续修正阈值和 exclusions

这样做可以避免一种很常见的失败模式：试图一次性定义全公司的可靠性策略，结果什么都落不下来。

slo-implementation skill 最擅长输出什么

slo-implementation skill 最强的地方在于：

• 提出 availability、latency 等常见 SLI 模式
• 解释 SLI / SLO / SLA 的关系
• 把抽象的可靠性目标翻译成可度量的比例公式
• 给出目标区间和 error budget 的表达方式
• 设计基于 SLO 消耗的告警思路

如果你的诉求是尽快拿到第一版可运营的方案，并且希望它建立在标准 SRE 语言和方法上，这个 skill 会特别有帮助。

团队最常卡住的地方

实际采用时，通常会卡在以下问题之一：

• 团队无法就“面向用户的服务边界”达成一致
• 只有基础设施指标，没有 user journey 级别的指标
• 缺少 latency histogram，导致基于阈值的 SLI 很难做好
• 指标里混入了 bot 流量、内部任务或 health check，扭曲了分子和分母
• 目标值是出于政治或拍脑袋决定，而不是基于风险和成本

这个 skill 可以帮助团队把讨论结构化，但如果 telemetry 本身缺失，它也无法凭空创造可信的度量体系。

能明显提升输出质量的实用 prompt 模式

尽量让 skill 以“便于决策”的格式输出，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.”

这类 prompt 会把输出拉向可实施级别，而不是停留在抽象的可靠性建议上。

如何把 slo-implementation 用在 Reliability 工作中

在做 slo-implementation for Reliability 时，以下这些时机尤其适合使用它：

• 新服务上线前
• 做 observability 改进时
• 反复发生事故，暴露出当前告警噪声过大时
• 管理层要求给出与客户影响挂钩的可靠性目标时
• 需要把工程交付速度和 error budget 策略关联起来时

当团队正从“什么都监控”转向“衡量真正影响用户的东西”时，它的价值最大。

slo-implementation skill 常见问题

slo-implementation 比普通 prompt 更好吗？

如果你的任务明确是做 SLI / SLO 设计，那么答案是肯定的。普通 prompt 也许能生成看起来还可以的定义，但 slo-implementation 更有可能保留正确层级、给出可测量的公式，并把目标与 error budget、告警联系起来。

slo-implementation skill 对新手友好吗？

中等友好。新手当然也能用，但如果你具备基础 SRE 概念，并且对现有 telemetry 有一定了解，效果会明显更好。如果你刚接触 SLO，建议先只针对一个服务使用这个 skill，并在采纳前逐条审查它建议的 metrics。

它必须依赖 Prometheus 吗？

不需要，但这个 skill 的内容明显和 Prometheus、PromQL 风格的方法很契合。如果你使用的是 Datadog、CloudWatch、Grafana 或其他监控栈，依然可以沿用其中的设计逻辑，再把 metric 表达式翻译成你所在平台的形式。

什么情况下不该使用 slo-implementation？

如果你符合以下情况，就不应把 slo-implementation 当作主要工具：

• 你需要的是法律意义上的 SLA 文案
• 你没有任何可用的服务 telemetry
• 你的真正问题是 ownership，而不是 measurement
• 你的服务还太早期，尚不足以定义稳定的 user journey

这类情况下，更合适的做法是先补仪表化，或者先解决 operating model 的问题，再来正式制定 SLO。

它也能帮忙做告警吗？

可以。这个 skill 不只是定义目标，还覆盖了 error budget 的运维侧实践，以及基于 SLO 的告警设计。这也是它比那种只停留在百分比目标模板更实用的原因。

如何改进 slo-implementation skill 的使用效果

提供业务上下文，而不只是技术指标

想让 slo-implementation 产出更好，不要只给技术指标，还要告诉 agent 可靠性在商业上意味着什么：

• 哪个流程一旦退化会直接影响收入？
• 哪些用户是 premium 用户，或对延迟更敏感？
• 可接受的影响时长是多少？

这些信息能帮助 skill 设定更现实的目标，而不是机械地默认 99.99% 这种看上去很漂亮的数字。

明确写出服务边界

更好的 slo-implementation guide 输入，一定会清楚说明哪些算、哪些不算。例如：

• 包含对外公开 API 的写请求
• 排除 /healthz、管理路由和内部 batch jobs
• 只统计用户可见且成功完成的结果，而不是仅仅请求被接收

边界是否清晰，往往直接决定这个 SLO 最终是否会被团队信任。

提供 metric 名称和示例查询

只要你愿意分享真实 telemetry，skill 的输出会立刻从“概念上合理”提升到“接近可直接实施”。高质量输入通常包括：

• metric 名称
• label 维度
• histogram buckets
• 当前告警查询
• dashboard 链接或复制出来的查询片段

这样输出就能从概念性 SLO，推进到接近可上线的定义。

避免 vanity SLI

一个非常常见的失败模式，是选了“容易采集”却和用户体验关系很弱的指标。例如：

• pod 重启次数
• 单独看 CPU saturation
• 某个依赖的原始 uptime，但没有映射到服务影响

你可以要求 skill 说明：为什么每个 SLI 都能代表用户感知到的可靠性。如果它说不清，就应该替换掉这个 SLI。

第一稿之后一定要继续迭代

从 slo-implementation 拿到的第一版输出，应当被视为草稿。你可以继续追问来改进它：

• “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?”

通常第二轮打磨出来的方案，会比直接接受第一组目标值更适合真实运维。

用历史事故给 slo-implementation skill 做压力测试

改进 slo-implementation skill 输出质量的最好方法之一，就是拿历史事故来对照它建议的 SLI 和告警。你可以问：

• 如果当时用了这个 SLO，是否能发现问题？
• 它会不会把无害故障算得太重？
• burn-rate 策略会不会过早或过晚触发 paging？

这个验证步骤能把“写得很漂亮的文档”，变成团队真正能跑起来的机制。

一次只做一个服务

如果你觉得输出过于泛化，通常不是 skill 不行，而是范围设得太大。这个 skill 最适合聚焦在单个服务或单条 user journey 上。大型系统应拆成多次分别处理，等模式稳定后，再做统一标准化。