tracing 与可观测性
Rust 可观测性实战：tracing 的 span/event 模型与字段结构化、tracing-subscriber 的 Layer 组合与 EnvFilter、tracing-opentelemetry 接入 OTLP、日志与指标追踪的关联（trace_id 透传）、采样与脱敏的生产取舍。
tag
Metrics
共 18 篇文章。
OpenMetrics 与指标规范治理：暴露格式、命名单位与兼容性
系统讲解 OpenMetrics 规范与指标治理：文本暴露格式与内容协商、命名与单位约定（base unit、_total/_seconds/_bytes）、HELP/TYPE/UNIT 元数据、Exemplar 语法、OpenMetrics 与 Prometheus 文本格式的兼容与迁移，以及用 linter 与 CI 落地指标规范治理的完整方法。
Clojure 日志、指标与可观测性：Timbre、OpenTelemetry 与采样
深入 Clojure 服务的可观测性建设：Timbre 结构化日志与上下文、MDC 与请求追踪、日志格式与采集、指标导出（metrics）、OpenTelemetry 埋点与 trace 传播、错误上报与采样策略、生产排错实践，帮你把「日志、指标、链路」三支柱接成一条能定位问题的观测流水线。
Go 日志与可观测性：slog、结构化日志与 OpenTelemetry 集成
Go 日志与可观测性工程实践：从标准库 log 到 slog 结构化日志、Handler 自定义、日志级别与上下文关联、OpenTelemetry Trace 集成、Metrics 指标与运行时监控、以及生产日志体系与告警的设计原则。
「时序数据与 TSDB：从数据流到生命周期治理」
讲解 Elasticsearch 时序数据处理：数据流与索引生命周期、TSDB 索引模式、采样与降维、date_histogram 时序聚合，以及预测与异常检测的落地。
OpenTelemetry 插桩实践：手动、自动与语言 SDK
深度讲解 OpenTelemetry 插桩的三种落地方式：手动插桩（Tracer/Span/Meter/Logger 的创建与关联）、自动插桩原理（Java 字节码增强、Python MonkeyPatch、Node require 钩子、Go 包装器）、各语言 SDK 配置、资源与语义约定、采样与出口，以及插桩的可测试性。
GraphQL 可观测性与链路追踪：从 resolver 指标到全链路
GraphQL 可观测性实战：与 REST 可观测性的差异、GraphQL 特有的追踪维度（操作/字段/resolver 级）、Apollo Tracing 与 OpenTelemetry 集成、resolver 级耗时与 N+1 的观测、操作级指标（类型/复杂度/缓存命中率）、错误与告警聚合、全链路追踪（traceId 贯穿网关→resolver→DB）、以及可观测性驱动的性能优化闭环。
遥测采样与摄取管道：从边缘采集到后端存储的数据治理架构
深度讲解遥测数据（Metrics/Logs/Traces）的摄取管道与采样治理：采集架构（Agent 边车/网关/直推）、Head 与 Tail 采样策略、在边缘做降噪与脱敏、摄取管道（OpenTelemetry Collector 部署模式）、数据降本与保留策略、数据质量校验，以及一套可扩展的遥测数据流架构。
Prometheus 高基数治理与 PromQL 查询优化：让监控不再因标签爆炸而瘫痪
深度讲解 Prometheus 高基数（High Cardinality）问题与 PromQL 查询优化：高基数的定义与危害、标签设计纪律（Cardinality 评估/标签上限/动态标签）、降低基数的策略（指标拆分/标签重命名/启用 relabel）、PromQL 查询性能优化（避免聚合爆炸/合理范围/Recording Rule/索引与内存）、高基数检测与治理工具。
监控黄金信号与 RED/USE 方法论：业务与资源指标的指标设计
深度讲解可观测性指标的方法论设计：Google 四大黄金信号（Latency/Traffic/Errors/Saturation）、RED（Rate/Errors/Duration）、USE（Utilization/Saturation/Errors）与四类指标类型，如何在业务监控与资源监控中落地、每个服务/每类资源该采哪些指标、告警阈值与容量规划，以及方法论之间的选择与组合。
服务网格可观测性：Istio 遥测、Kiali 拓扑与全链路追踪实战
服务网格最迷人的能力，不是"管流量"，而是"免费的可观测性"——只要把 Sidecar 代理注入进去，每个服务之间的每一次调用，都会被自动记录成指标、日志、追踪，无需在业务代码里加一行埋点。Istio 的 Envoy 代理天然携带 L7 观测能力 …
Prometheus 长期存储与集群化：Thanos 与 Mimir 架构对比与实战
单机 Prometheus 是监控世界的"步兵"——开箱即用、指标模型简洁、PromQL 强大。但它有三个天然短板：数据只能本地保留 15 天（本地磁盘有限）、单点无 HA（挂了监控就没了）、无法跨集群全局查询。当监控规模从几十台机器涨到几百个集群、几亿条序列时，就需要把 …
OpenTelemetry Collector 深度解析：Pipeline 架构、采样策略与大规模部署
OpenTelemetry Collector 是可观测性体系中的核心数据管道：应用通过 OTel SDK 埋点产生的 Metrics/Logs/Traces，全部汇聚到这里，经过接收、处理、导出三个阶段，再分发到 Prometheus、Loki、Tempo、Jaeger 等后端。它是连接 …
Prometheus 深度解析：指标采集、PromQL、服务发现、Recording Rule 与 Alertmanager
系统级 Prometheus 实战指南：数据模型与指标类型详解、Exporter 生态与自定义 Exporter 开发、服务发现机制（DNS/K8s/Consul/File SD）、PromQL 高级查询（聚合/子查询/二元运算/预测/同比环比）、Recording Rule 与告警规则设计、Alertmanager 分组/抑制/静默/路由、高可用联邦与远程存储、Thanos/VictoriaMetrics 扩展架构。附完整配置与实战代码。
可观测性三大支柱深度解析：指标、日志、追踪
系统性梳理可观测性三大支柱（Metrics/Logs/Traces）的核心概念、数据模型、采集范式和适用场景。对比维度覆盖数据类型、查询方式、存储成本、采样策略、告警响应、根因定位。延伸至事件（Events）、剖析（Profiling）、真实用户监控（RUM）等第四/第五支柱，构建完整的云原生可观测性认知框架。
时序数据库实战：InfluxDB与TimescaleDB的架构设计与应用
深入讲解时序数据库的核心概念与架构设计，对比InfluxDB与TimescaleDB的特性差异，涵盖数据模型、查询语言、降采样策略、数据保留策略，提供IoT监控、指标采集等实战案例。
开发者生产力指标体系：如何衡量和提升开发效率
建立系统化的开发者生产力衡量框架，涵盖 DORA 指标、SPACE 框架、工程效率指标和团队健康度，帮助技术团队用数据驱动效率提升。
可观测性工程：结构化日志、Prometheus指标与OpenTelemetry链路追踪
系统介绍可观测性三大支柱（日志、指标、链路追踪）的工程实践，涵盖结构化日志、Prometheus/Grafana监控体系、OpenTelemetry统一采集、SLO/SLI定义及告警策略。