韧性工程与错误预算：从 SLO 到故障演练
韧性工程（Resilience Engineering）的落地方法：SLI/SLO/SLA 的关系与错误预算计算、多窗口多燃烧率告警、发布门禁与预算冻结策略、预算消耗归因、混沌工程与游戏日演练流程、超时/重试/熔断/隔离舱等韧性模式与降级兜底设计，以及度量与组织配套。
tag
SLO
共 12 篇文章。
《AI Agent 工程实战》13.3 告警与 on-call：从 trace 到告警演练
告警要少而准：给出覆盖成功率、P95 延迟、单 run 成本、工具错误率、队列积压的规则表，讲 SLO 与错误预算（99% 成功率每月可消耗多少失败）与连续窗口门槛为何能压噪声。真跑一个极简告警求值器，喂正常与劣化两段序列，打印触发判定；末尾给从告警定位到具体 run 与工具的演练脚本。
微型博客的可观测性与 SRE 实践：SLO、告警、容量与故障演练
系统讲解微型博客的可观测性与 SRE 实践：从监控到可观测性的视角转变，四大黄金信号与分层指标体系，SLO 定义、错误预算计算与治理，日志链路的采样与关联，告警分级抑制与降噪，容量规划的压测水位与弹性，混沌工程与故障演练剧本，On-call 值班与事后复盘，以及可观测性数据自身的成本经济学。
可观测性驱动的发布验证与自动回滚
用可观测性数据自动判断发布是否成功：设计发布健康信号、用指标做自动判定、用日志与链路做佐证、构建自动回滚机制、把金丝雀与渐进发布接上健康校验、用 SLO 做发布门禁，以及发布复盘与持续改进的完整落地方法。
LLM 服务可观测性：吞吐、时延、token 与成本监控
LLM 推理服务没有可观测性就像盲人开车：TTFT、TPOT、吞吐、token 计量、GPU 利用率、链路追踪与成本核算缺一不可。本文给出从指标定义到看板、压测、告警的完整方法论。
合成监控与主动拨测：从探针到全局视图
深度讲解合成监控（Synthetic Monitoring）与主动拨测工程实践：合成监控 vs RUM 的定位、HTTP/浏览器/API 三类探针、多地域多运营商拨测网络、断言与阈值设计、与告警的联动与降噪、SLO 融入、全局视图与成本局限。
可观测性与错误追踪：日志、Trace 与告警闭环
系统讲解现代应用可观测性体系：日志、指标与链路追踪（三支柱）、结构化日志与上下文注入、OpenTelemetry 集成、边缘函数与 Serverless 的可观测性挑战（日志聚合/冷启动/分布式追踪）、错误追踪与 Sourcemap 还原、告警规则与 SLO、以及可观测性闭环与成本控制。
SLO 与错误预算工程：从 SLI 设计到发布冻结的可靠性闭环
深入讲解 SLO 与错误预算工程的 DevOps 实践：SLI 设计（可用性/延迟/错误率）、SLO 目标设定与错误预算计算、告警策略（Multi-window / Multi-burn-rate）、错误预算耗尽处理（冻结发布）、SRE 值班与 On-Call、与混沌工程/发布门禁联动、工具（Prometheus/Pyrra）以及真实案例。
SLO、SLI 与错误预算：数据驱动的可靠性工程
系统性 SRE 可靠性工程指南：SLI（Service Level Indicator）选取方法论、SLO（Service Level Objective）目标设定、错误预算定义与消费、Burn Rate 告警策略、多窗口多阈值告警（Multi-window Multi-burn-rate Alerting）、服务水平协议（SLA）与 SLO 的区别、基于错误预算的发布策略（发布窗口/金丝雀阈值）、SLO 监控面板设计、SLO 文化与团队治理。附 Google SRE 示例与 Prometheus/Grafana 实战配置。
SLA/SLO/SLI 与容量规划
可用性目标定义、SLO 制定方法、容量模型构建与压测方法论——从量化到实践的完整容量管理。
服务等级目标（SLO）：从定义到实施的完整指南
深入讲解SLO、SLI、SLA的核心概念与区别，详解错误预算计算、SLO制定方法、告警策略设计，提供Prometheus+SLO监控的实战配置与故障响应流程。
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。