SLO AI代理Skills

Agent Skills

SLO AI代理技能是專為服務水準目標管理設計的專業監控技能，將Claude轉化為能夠自動設計、部署、監控與優化SLO/SLI/SLA系統的智能可靠性工程師。該技能基於Prometheus、Grafana、OpenTelemetry標準，支援多雲環境SLO計算、錯誤預算管理、燃燒率分析、自動化警報配置、容量規劃建議等功能，解決企業級系統可靠性工程的核心挑戰。

技能背景與可靠性挑戰

企業級系統平均每年發生247次重大故障，63%的SLO違反源於手動配置錯誤。常見痛點包括：

SLI指標定義不一致（發生率78%）
錯誤預算超支無預警（平均延遲3.7天）
多服務依賴關係複雜度高
燃燒率計算與決策滯後
容量規劃缺乏資料驅動依據
警報疲勞與重要事件漏報

SLO技能透過標準化框架與自動化運算，將可靠性工程從經驗判斷轉為資料驅動決策。

核心功能架構

標準SLO/SLI/SLA模型支援

可用性SLO：99.9%、99.95%、99.99%（四個9）
延遲SLO：p95<200ms、p99<500ms、p999<2s
吞吐量SLO：QPS>1000、錯誤率<0.1%
業務SLO：訂單成功率>98%、APDEX>0.9

四金庫房間完整生命週期

定義階段：SLI指標設計與SLO目標設定
監控階段：即時資料收集與燃燒率計算
分析階段：根因分析與容量規劃
優化階段：自動化修復與預防措施

完整部署範例

微服務架構SLO系統自動配置

自然語言部署指令：

為Kubernetes叢集中的訂單服務部署SLO監控，設定99.9%可用性、p95延遲<300ms、錯誤率<0.5%，整合Prometheus資料來源，配置Grafana儀表板與PagerDuty警報。

技能自動執行流程：

# 1. 自動生成SLI指標定義
apiVersion: monitoring.onekeyhq/v1
kind: SLI
metadata:
name: order-service-sli
spec:
service: order-service
indicators:
availability:
type: http_availability
success_codes: [200, 201]
window: 5m
latency_p95:
type: histogram_quantile
query: histogram_quantile(0.95, rate(order_service_request_duration_bucket[5m]))
target: 300ms
error_rate:
type: ratio
numerator: rate(order_service_http_requests_total{status=~"5.."}[5m])
denominator: rate(order_service_http_requests_total[5m])
target: 0.005
---
# 2. SLO目標與錯誤預算配置
apiVersion: slo.onekeyhq/v1
kind: SLO
metadata:
name: order-service-slo
spec:
sli_ref: order-service-sli
target: 0.999
time_window: 30d
error_budget:
total: 43m43s
rolling: true
---
# 3. 燃燒率警報規則
apiVersion: monitoring.coreos.com/v1
kind: PrometheusRule
metadata:
name: order-service-burning-rate
spec:
groups:
- name: slo-burning
rules:
- alert: OrderServiceHighBurnRate
expr: slo_burn_rate_6h > 3
for: 5m
labels:
severity: critical
annotations:
summary: "訂單服務6小時燃燒率{{ $value }}，錯誤預算即將耗盡"

部署完成狀態：

SLI指標已部署（3個核心指標）
SLO目標99.9%已設定
錯誤預算43分43秒已啟用
Grafana儀表板自動生成
PagerDuty整合完成
燃燒率警報已啟動

錯誤預算即時儀表板

自動生成Grafana儀表板JSON：

{
"title": "訂單服務SLO儀表板",
"panels": [
{
"type": "stat",
"title": "當前SLO合規率",
"targets": [{ "expr": "slo_compliance_ratio{job='order-service'}" }],
"thresholds": [
{ "color": "green", "value": null },
{ "color": "yellow", "value": 0.99 },
{ "color": "red", "value": 0.999 }
]
},
{
"type": "timeseries",
"title": "燃燒率趨勢",
"targets": [
{ "expr": "slo_burn_rate_6h{job='order-service'}" },
{ "expr": "slo_burn_rate_24h{job='order-service'}" }
]
}
]
}

多服務依賴SLO計算

服務組合SLO自動推算

服務A：99.95%（單點故障容忍0.05%）
服務B：99.90%（依賴服務A）
服務C：99.99%（關鍵業務）

組合SLO = 1 - (1-0.9995) × (1-0.9990) × (1-0.9999)
= 99.84%

自動生成依賴圖：

graph TD
A[前端服務 99.95%] --> B[訂單服務 99.90%]
B --> C[支付服務 99.99%]
B --> D[庫存服務 99.92%]
E[組合SLO 99.84%]
E --> A & B & C & D

根因分析自動化

檢測到SLO違反：
前端服務：99.92%（違反0.03%）
根因路徑：前端 → 訂單服務延遲p95=450ms
影響範圍：18個下游服務
建議措施：增加訂單服務副本數x2

容量規劃與預測引擎

自動負載測試分析

歷史峰值：QPS=1250，p99=180ms
預測SLO：99.9%@2000 QPS
當前容量：1500 QPS安全餘裕
建議擴展：2026Q1前增加30%容量

生成容量規劃報表：

capacity_planning:
current:
qps: 1250
replicas: 6
cpu_util: 72%
predicted_2026q1:
qps: 2200
replicas: 10
cpu_request: 1.2core
recommendation:
auto_scale:
min_replicas: 6
max_replicas: 15
target_cpu: 60%

警報優化與降噪

智能警報分級

緊急（P0）：燃燒率>10，立即喚醒
高優先（P1）：燃燒率3-10，5分鐘內處理
中優先（P2）：燃燒率1-3，1小時內檢視
低優先（P3）：預防性建議，每日檢討

警報抑制規則

相同根因：24小時內不重複警報
維護窗口：自動抑制非緊急警報
依賴服務：上游服務故障時抑制下游警報
錯誤預算充足：燃燒率<0.5時降級警報

安裝與企業部署

Claude Code一鍵部署

/plugin marketplace add Microck/ordinary-claude-skills
/plugin install skills_categorized/monitoring/slo-implementation

Kubernetes Operator安裝

apiVersion: v1
kind: Namespace
metadata:
name: slo-system
---
apiVersion: monitoring.onekeyhq/v1
kind: SLOController
metadata:
name: slo-controller
spec:
prometheus_url: http://prometheus:9090
grafana_url: http://grafana:3000
pagerduty_key: ${PAGERDUTY_INTEGRATION_KEY}

多雲環境配置

slo_config:
providers:
aws:
region: ap-northeast-1
services: [lambda, ecs, rds]
gcp:
project: production-2026
services: [cloud_run, sql]
azure:
subscription: prod-sub
services: [app_service, cosmosdb]

企業級應用案例

案例一：電商平台雙11容量保障

目標：支撐峰值5萬QPS，99.99%可用性
部署：72個微服務SLO監控
成果：
錯誤預算控制在12分鐘內
自動擴展正確率97%
零客戶端感知故障
節省運維人力85%

案例二：金融風控系統合規監控

法規要求：99.999%可用性（五個9）
部署：交易、授權、反洗錢全鏈路SLO
成果：
自動生成月度合規報表
根因分析平均3分鐘完成
監管審計一次通過
罰款風險降至0

效能數據對比

指標	手動管理	SLO技能	改善幅度
SLO部署時間	3週	45分鐘	97%
平均修復時間	4.2小時	28分鐘	87%
警報準確率	43%	92%	114%
容量規劃誤差	±28%	±4%	86%

持續優化閉環

SLO演進引擎

每季自動回顧：
達成率歷史趨勢分析
SLI指標有效性評估
目標值動態調整建議
新興風險自動識別

SLO AI代理技能重新定義現代可靠性工程，從被動應對故障轉為主動預防風險。透過標準化SLI/SLO框架、即時錯誤預算管理、智能燃燒率分析、自動化容量規劃、多雲環境原生支援，系統可靠性從「盡力而為」提升至「可衡量承諾」，讓DevOps團隊真正實現SRE最佳實踐。

Agent Skills來源: github
連結: https://github.com/Microck/ordinary-claude-skills#skills_categorized~monitoring~slo-implementation

立即試用Agent Skills

SLO AI代理Skills

Agent Skills