SRE与可观测性工程师

开篇速查：推荐模型与工具

推荐模型：DeepSeek V4 Pro、GPT-5.6 Sol 或 Claude Opus 5。
理由：适合跨日志、Trace、指标的复杂故障归因；常规聚类和告警摘要用 V4 Flash/Luna，自动恢复必须有阈值、次数上限和回滚。
推荐产品：Codex、Claude Code、Cursor（本岗位涉及复杂开发、仓库或运行环境）。 常用工具：Prometheus、Grafana、OpenTelemetry、日志平台、Trace、告警和值班系统。 核对日期：2026-08-04；上线前再查厂商官方模型列表并用内部评测集验证。

历史依据：从 8,276 条用户消息中命中 149 条，精确去重后 79 条。以下工作方式优先针对这些历史任务和返工问题。

1. 历史记录暴露的问题

• 明确验收标准：16/79（20%）。
• 明确要求验证：43/79（54%）。
• 提供失败/复现证据：38/79（48%）。
• 出现“功能不可用/报错”类返工：16 条。
• 出现“再检查/再测试”类返工：6 条。
• 出现“继续/不要停”但退出条件不清：9 条。

因此本岗位的模板会把验证、证据和退出条件写进首轮提示，而不是等失败后补充。

2. 什么时候使用

• 建立监控、告警、追踪和运行手册
• 处理排队、部分成功和长尾延迟
• 制定SLI/SLO和错误预算
• 组织故障响应和复盘

3. 责任边界

• 关注用户结果而非只有机器指标
• 告警必须可行动并有负责人
• 不通过提高阈值掩盖持续问题
• 不在故障中做无回滚的大范围重构

4. 开始前必须提供

• 关键用户旅程和业务影响
• 服务依赖和任务状态
• 历史故障、延迟和容量
• 日志、指标、追踪现状
• 可用性目标和支持时间

缺少信息时，先从仓库、配置、运行状态和现有资料中查证。只有会改变业务方向、造成生产影响或无法安全推断的内容才询问。

5. 完整可复制提示词

你是 SRE。为【服务/用户流程】建立端到端可靠性和故障处理。

关键旅程：【请求→排队→执行→持久化→用户可见】
业务影响：【失败/延迟会怎样】
依赖与历史故障：【内容】

定义成功率、完整率、P95/P99延迟、新鲜度等 SLI；设定SLO、窗口和错误预算。统一关联ID贯穿入口、插件、队列、执行器和数据库。

输出仪表盘、分级告警、负责人、抑制规则、Top故障运行手册、容量模型和故障演练。告警必须说明触发条件、用户影响、第一检查、恢复步骤、升级和验证。

最后模拟一次【依赖超时/队列积压/磁盘满/部分持久化】并形成复盘与行动项。

6. 推荐执行流程

1. 定义用户看到的成功和失败
2. 为入口、队列、执行、持久化建同一关联ID
3. 测量端到端而非单服务耗时
4. 按影响设计告警和升级
5. 为常见故障写可执行恢复步骤
6. 演练依赖超时、队列积压和磁盘满
7. 复盘行动项进入负责人和截止时间

每一步都要留下可复核产物：文件、命令、截图、请求、任务ID、数据库记录、指标或决策记录。

7. 标准交付物

• SLI/SLO/错误预算
• 业务+技术仪表盘
• 分级告警和抑制规则
• 任务端到端追踪
• Top故障运行手册
• 容量与故障演练
• 无责复盘与行动项

8. 历史中常见失败写法

• 接口接受任务就计为成功
• 只监控CPU/内存，不监控任务完整性
• 部分失败没有状态和原因
• 告警很多但没人知道怎么处理
• 没有端到端任务ID，插件、队列、数据库对不上
• 故障后只写总结，没有可验证改进

修正提示词

当前结果未满足验收。不要整体重做，先按证据定位差距。

原目标：【目标】
原验收：【可观察标准】
实际结果：【截图/日志/请求/任务ID/数据库记录】
差距：【逐条列出】
必须保持：【已正确部分和接口不变量】

请先复现并说明根因，再实施最小修正。修正后重复原验证，并给出修改前后证据。未通过的项继续保留为失败，不要用“基本完成”代替。

9. 完成检查清单

• 目标、范围和不做项没有漂移。
• 关键假设已用代码、运行或数据验证。
• 成功、失败、空、重复、超时和权限路径已处理。
• 交付物可由另一人独立打开或运行。
• 验收命令/路径已实际执行并保留证据。
• 未完成项、风险和数据限制被明确列出。
• 下游岗位得到接口、不变量、文件和验证入口。

10. 交接模板

岗位：SRE与可观测性工程师
已完成：【内容】
证据：【文件、命令、截图、日志、任务ID、数据库记录或指标】
接口与不变量：【下游必须遵守】
配置/迁移影响：【内容】
未完成与风险：【内容、严重度、负责人】
下一岗位：【岗位】
下一步输入：【精确文件、环境、账号或任务】
禁止假设：【仍未知内容】

11. 实用组合技巧

• 任务链自动拼接：统一关联 ID 后，让诊断 Agent 自动汇总插件、API、队列、执行器和数据库时间线，快速找到卡点。
• 告警自动附运行手册：每条告警同时带用户影响、第一检查、恢复步骤、升级负责人和验证方式，避免只收到一个红点。
• 日志聚类发现新故障：让分析 Agent 定期聚类未知错误和慢请求，识别尚未设置告警的重复模式。
• 故障复盘自动变行动项：从时间线生成根因、促成因素和可验证行动项，并自动跟踪负责人和截止时间。
• 容量预测联动业务：把任务量、SKU数、视频生成量等业务指标与CPU、队列、数据库和第三方配额一起建容量模型。