「可观测性」不是一个工具，而是一种能力：让系统的内部状态通过输出可被理解。
在现代分布式系统中，可观测性（Observability）已经不再是"锦上添花"的运维手段，而是工程团队的核心基础设施。它直接影响故障排查效率、系统可靠性、资源利用率和业务决策质量。
本专题共 43 篇深度文章（含聚合页），从理论到工程实践，覆盖云原生可观测性的全局版图——在既有三阶段（基础与核心、工程化与 SRE、场景与规模化）之上，新增「规范治理与场景延伸」一阶段：OpenMetrics 指标规范、日志采样去重降噪、仪表盘可读性工程，以及 GPU/加速器、Serverless、边缘与 IoT 三类特殊负载的可观测性：
专题总体规划
阶段一：基础与核心（入门→中级）
| # | 文章 | 学习目标 |
|---|---|---|
| 1 | 可观测性三大支柱深度解析 | 理解 Metrics/Logs/Traces 的核心概念、数据模型与采集范式 |
| 2 | Prometheus 深度解析 | 掌握指标采集、服务发现、PromQL、Recording Rule、Alertmanager |
| 3 | Grafana 可视化与仪表盘设计 | 精通仪表盘设计原则、变量联动、Annotation、Grafana Loki 集成 |
| 4 | OpenTelemetry：标准化可观测性框架 | 理解 OTel 架构、API/SDK、Collector、自动/手动埋点、语义约定 |
| 5 | OpenTelemetry 插桩实践：手动、自动与语言 SDK | 手动 API 埋点、自动插桩（Agent/eBPF）、多语言 SDK 差异、资源与语义约定落地 |
| 6 | OpenTelemetry Collector 深度解析 | 掌握 Pipeline（Receiver/Processor/Exporter）、Tail/Head 采样、性能调优、多后端路由 |
| 7 | 分布式追踪实战：Jaeger 与 Tempo | 熟悉 Span/Trace、采样策略、头传递、Jaeger Tempo 部署 |
| 8 | 追踪上下文传播：W3C tracecontext、Baggage 与采样 | W3C Trace Context/Baggage 规范、跨进程与消息队列传播、采样决策一致性、断链排查 |
| 9 | 日志系统全栈：Loki、EFK 与向量收集 | 部署 Loki/EFK、日志收集架构、日志结构化、压缩与索引 |
| 10 | 监控黄金信号与 RED/USE 方法论 | 用黄金信号 / RED / USE 最简指标看清服务健康、瓶颈与余量 |
阶段二：工程化与 SRE（进阶）
| # | 文章 | 学习目标 |
|---|---|---|
| 11 | 告警设计与事件响应 | 告警分层、降噪、升级、值班轮换、事后复盘（Postmortem） |
| 12 | SLO、SLI 与错误预算 | 定义 SLO、SLI 选取、错误预算消费、Burn Rate 告警策略 |
| 13 | eBPF 可观测性 | 理解 eBPF 机制、BCC/libbpf、Go/eBPF 集成、Kernel 探针 |
| 14 | Kubernetes 可观测性实战 | K8s Metrics Server/Metrics Pipeline、cAdvisor/kubelet/Node Exporter |
| 15 | 合成监控与主动拨测：从探针到全局视图 | 主动拨测模型、多地域探针、HTTP/DNS/API 脚本、与 SLO 联动、告警与故障定位 |
| 16 | 云原生 APM 与性能剖析 | APM 架构、Continuous Profiling、火焰图、性能基线 |
| 17 | 前端与移动端 RUM：Web Vitals、会话与用户体验监控 | Core Web Vitals、真实用户会话回放、错误与卡顿采集、前后端链路关联 |
| 18 | 可观测性数据存储选型 | TSDB、列式存储、对象存储、数据保留策略、成本优化 |
| 19 | Prometheus 长期存储与集群化 | Thanos/Mimir 架构、对象存储、全局去重查询、降采样、多租户、HA 选型 |
| 20 | Grafana Alerting 统一告警进阶 | 通知策略树、模板化通知、静默/抑制、集群 HA、告警降噪、OnCall 升级 |
| 21 | Loki 架构与性能优化 | 标签基数管理、LogQL 查询加速、摄入调优、TSDB 索引、压缩保留、成本控制 |
| 22 | Prometheus 高基数治理与 PromQL 优化 | 标签设计纪律、降低基数策略、查询先过滤再聚合、Recording Rule 预聚合 |
| 23 | 结构化日志与语义约定 | JSON 结构化日志、字段规范、Trace ID 关联、日志脱敏与可查询分析 |
| 24 | 遥测采样与摄取管道 | Agent→Collector→后端管道、Head/Tail 采样、边缘降噪脱敏、数据降本 |
阶段三：场景与规模化（高级）
| # | 文章 | 学习目标 |
|---|---|---|
| 25 | 服务网格可观测性 | Istio Envoy 遥测、RED 指标、Kiali 拓扑、自动链路追踪、访问日志与 Linkerd |
| 26 | 生成式 AI 可观测性 | LLM 调用追踪、OTel GenAI 语义、Token 成本监控、LLM-as-Judge 质量、安全与漂移 |
| 27 | AI 智能体与可观测性：MCP 工具接入与智能排障 | MCP 工具协议、把可观测数据暴露给智能体、智能排障工作流、权限与安全边界 |
| 28 | 可观测性 FinOps 成本智能 | 可观测性成本归因、数据降本、存储分层、用量治理、FinOps 落地 |
| 29 | 可观测性安全与数据脱敏 | 敏感数据 PII 识别、最小化采集、脱敏、加密传输存储、访问控制与合规 |
| 30 | 可观测性平台建设与组织落地 | 统一采集/存储/查询、自助接入、埋点治理、平台 SLO 与成本治理、组织路线图 |
| 31 | AIOps 异常检测：从阈值告警到机器学习根因 | 时序异常检测算法、动态基线、多指标关联与根因定位、误报治理与模型运维 |
| 32 | 持续剖析：Pyroscope、Parca 与生产环境低开销采样 | 采样原理（pprof/eBPF）、Pyroscope 与 Parca 架构、火焰图与差异分析、低开销生产剖析 |
| 33 | Exemplar 与指标-链路-日志关联 | Exemplar 的 OpenMetrics 规范、客户端埋点、指标跳转 trace、trace 与日志双向关联 |
| 34 | 数据库与查询层可观测性 | 慢查询与语句归一化、连接池指标与等待、执行计划与索引效率、数据库等待事件 |
| 35 | 消息队列可观测性：Kafka 与 RabbitMQ | 消费者滞后与分区指标、队列深度与消费速率、端到端延迟、再平衡观测与积压告警 |
| 36 | 可观测性即代码：仪表盘、告警与采集配置的 GitOps | Grafana as Code、告警规则单元测试、采集配置版本化、GitOps 工作流与 CI 校验 |
| 37 | 多集群可观测性联邦与聚合 | Prometheus 联邦的局限、Thanos/Mimir 全局视图、分片去重降采样、日志链路跨集群聚合 |
阶段四：规范治理与场景延伸（高级）
| # | 文章 | 学习目标 |
|---|---|---|
| 38 | OpenMetrics 与指标规范治理 | 暴露格式与 Content Negotiation、命名与单位约定、exemplar 与原生直方图、兼容性与治理清单 |
| 39 | 日志采样、去重与降噪 | 采样策略选型、指纹去重、模板化聚类、噪音日志抑制、成本与可查性的平衡 |
| 40 | 仪表盘设计与可读性工程 | 信息层级与视觉编码、图表选型、变量与下钻、误读陷阱、仪表盘评审与迭代 |
| 41 | GPU 与加速器可观测性 | DCGM/NVML 指标来源、SM 利用率与显存归因、XID 错误码定位、MIG 与 NVLink 健康度、训练任务归因 |
| 42 | Serverless 与 FaaS 可观测性 | 冷启动分解、调用链断点与上下文传播、并发与限流指标、日志采集与成本控制 |
| 43 | 边缘与 IoT 可观测性 | 弱网与离线缓冲、设备侧轻量采集、边缘聚合与降采样、带宽约束下的数据策略 |
学习路径
路线 A：运维/SRE 方向
三大支柱 → Prometheus → Grafana → 告警设计 → SLO → K8s 可观测 → APM → Grafana Alerting 进阶
路线 B：开发/架构方向
OpenTelemetry → Tracing → Logging → eBPF → 存储选型 → APM → SLO → OTel Collector 深度
路线 C：全链路方向
三大支柱 → Prometheus + Grafana → OTel → Jaeger/Tempo → Loki → SLO + 告警 → K8s → eBPF
路线 D：规模化方向
数据存储选型 → Thanos/Mimir 长期存储 → Loki 优化 → Grafana Alerting 进阶 → 成本治理
路线 E：场景化方向
OTel Collector → 服务网格观测 → GenAI 观测 → FinOps 成本智能
路线 F：平台化与安全方向
黄金信号/RED/USE → 高基数治理 → 结构化日志 → 采样管道 → 观测安全脱敏 → 可观测性平台建设
路线 G：规范与特殊负载方向
OpenMetrics 规范 → 日志采样去重 → 仪表盘可读性 → GPU/加速器观测 → Serverless 观测 → 边缘与 IoT 观测
快速索引
已有相关内容（可交叉引用）
| 文章 | 说明 | 路径 |
|---|---|---|
| Kubernetes 可观测性实战 | 专题二中的 K8s 可观测性 | content/posts/kubernetes/kubernetes-observability.md |
| Go eBPF 可观测性 | Go 专题中的 eBPF 内容 | content/posts/golang/start/119-ebpf-go-observability.md |
| 游戏服务端可观测性架构设计 | 游戏专题可观测性设计 | content/posts/game/.../game-server-observability-architecture-design.md |
| Circuit Breaker & Rate Limiting | 熔断限位与可观测性关系 | content/posts/golang/start/117-circuit-breaker-rate-limiting.md |
| AI 推理加速可观测性 | AI 专题 GPU 利用率/推理延迟监控 | content/posts/ai/ |
| LLM 应用工程化 | LLM 专题 RAG/Agent/评估 | content/posts/llm/ |
关联专题
| 专题 | 可观测性关联点 |
|---|---|
| Kubernetes 与云原生 | K8s 集群监控、Pod/Node/网络全链路可观测性 |
| DevOps 专题 | CI/CD 监控、部署健康检查、SLO/SLI 定义 |
| 分布式系统 | 链路追踪、分布式事务监控、服务网格可观测性 |
| Node.js 全栈开发 | OpenTelemetry Node.js SDK、 Winston/Pino 日志结构化 |
| Java 企业级开发 | Spring Boot Actuator、Micrometer、JMX 监控 |
| AI 推理加速 | GPU 利用率监控、推理延迟 P99、模型服务可观测性 |
| LLM 应用专题 | LLM 调用追踪、RAG 评估、模型质量监控、成本治理 |
| HPC 高性能计算 | Slurm 作业监控、集群节点健康、InfiniBand 性能计数器 |
| 信息安全 | eBPF 安全监控、Falco 运行时威胁检测、SIEM 日志聚合 |
| 数据库专题 | 慢查询监控、连接池指标、复制延迟告警 |
| 网络编程 | TCP 连接追踪、DNS 解析监控、带宽利用率 |