| name | observability-designer |
| description | Designer de Observabilidade (PODEROSO). Projeta estratégias abrangentes de observabilidade para sistemas em produção, incluindo frameworks SLI/SLO, otimização de alertas e geração de painéis. |
| agents | ["claude-code"] |
Observability Designer (PODEROSO)
Categoria: Engenharia
Nível: PODEROSO
Descrição: Projetar estratégias abrangentes de observabilidade para sistemas em produção, incluindo frameworks SLI/SLO, otimização de alertas e geração de painéis.
Visão Geral
O Observability Designer permite criar estratégias de observabilidade prontas para produção que fornecem insights profundos sobre comportamento, desempenho e confiabilidade do sistema. Esta skill combina os três pilares da observabilidade (métricas, logs, traces) com frameworks comprovados como design de SLI/SLO, monitoramento de sinais dourados e otimização de alertas para criar soluções abrangentes de observabilidade.
Competências Principais
Design de Framework SLI/SLO/SLA
- Indicadores de Nível de Serviço (SLI): Defina sinais mensuráveis que indicam a saúde do serviço
- Objetivos de Nível de Serviço (SLO): Defina alvos de confiabilidade com base na experiência do usuário
- Acordos de Nível de Serviço (SLA): Estabeleça compromissos voltados ao cliente com consequências
- Gerenciamento de Orçamento de Erro: Calcule e rastreie o consumo do orçamento de erros
- Alertas de Taxa de Queima: Alertas de taxa de queima em múltiplas janelas para proteção proativa de SLO
Os Três Pilares da Observabilidade
Métricas
- Sinais Dourados: Monitoramento de latência, tráfego, erros e saturação
- Método RED: Taxa, Erros e Duração para serviços orientados a requisições
- Método USE: Utilização, Saturação e Erros para monitoramento de recursos
- Métricas de Negócio: Rastreamento de receita, engajamento de usuários e adoção de funcionalidades
- Métricas de Infraestrutura: CPU, memória, disco, rede e métricas de recursos personalizados
Logs
- Logging Estruturado: Formatos de log baseados em JSON com campos consistentes
- Agregação de Logs: Estratégias de coleta e indexação centralizada de logs
- Níveis de Log: Uso adequado dos níveis DEBUG, INFO, WARN, ERROR, FATAL
- IDs de Correlação: Rastreamento de requisições em sistemas distribuídos
- Amostragem de Logs: Gerenciamento de volume para sistemas de alto throughput
Traces
- Rastreamento Distribuído: Visualização do fluxo de requisições de ponta a ponta
- Design de Span: Limites de span significativos e metadados
- Amostragem de Trace: Estratégias de amostragem inteligentes para desempenho e custo
- Mapas de Serviço: Descoberta automática de dependências por meio de traces
- Análise de Causa Raiz: Fluxos de trabalho de debugging orientados por trace
Princípios de Design de Painel
Arquitetura da Informação
- Hierarquia: Caminhos de drill-down Visão Geral → Serviço → Componente → Instância
- Razão Áurea: 80% métricas operacionais, 20% métricas exploratórias
- Carga Cognitiva: Máximo de 7±2 painéis por tela
- Jornada do Usuário: Personas de painel baseadas em papel (SRE, Desenvolvedor, Executivo)
Melhores Práticas de Visualização
- Seleção de Gráfico: Séries temporais para tendências, mapas de calor para distribuições, medidores para status
- Teoria das Cores: Vermelho para crítico, âmbar para aviso, verde para estados saudáveis
- Linhas de Referência: Alvos de SLO, limites de capacidade e linhas de base históricas
- Intervalos de Tempo: Padrão para janelas significativas (4h para incidentes, 7d para tendências)
Design de Painel
- Consultas de Métricas: Consultas eficientes do Prometheus/InfluxDB com agregação adequada
- Integração de Alertas: Indicadores visuais de estado de alerta nos painéis relevantes
- Elementos Interativos: Variáveis de template, links de drill-down e overlays de anotação
- Desempenho: Tempos de renderização abaixo de um segundo por meio de otimização de consultas
Design e Otimização de Alertas
Classificação de Alertas
- Níveis de Severidade:
- Crítico: Serviço fora, taxa de queima de SLO alta
- Aviso: Aproximando-se dos limites, problemas sem impacto ao usuário
- Informação: Notificações de implantação, alertas de planejamento de capacidade
- Acionabilidade: Todo alerta deve ter uma ação de resposta clara
- Roteamento de Alertas: Políticas de escalonamento com base em severidade e propriedade da equipe
Prevenção de Fadiga de Alertas
- Sinal vs. Ruído: Alta precisão (poucos falsos positivos) sobre alto recall
- Histerese: Diferentes limites para disparo e resolução de alertas
- Supressão: Supressão de alertas dependentes durante interrupções conhecidas
- Agrupamento: Alertas relacionados agrupados em notificações únicas
Design de Regras de Alerta
- Seleção de Limites: Métodos estatísticos para determinação de limites
- Funções de Janela: Janelas de média e cálculos de percentil adequados
- Ciclo de Vida do Alerta: Condições claras de disparo e critérios de resolução automática
- Testes: Validação de regras de alerta contra dados históricos
Geração de Runbook e Resposta a Incidentes
Estrutura do Runbook
- Contexto do Alerta: O que o alerta significa e por que disparou
- Avaliação de Impacto: Impacto voltado ao usuário vs. impacto interno
- Passos de Investigação: Procedimentos de troubleshooting ordenados com estimativas de tempo
- Ações de Resolução: Correções comuns e procedimentos de escalonamento
- Pós-Incidente: Tarefas de acompanhamento e medidas de prevenção
Padrões de Detecção de Incidentes
- Detecção de Anomalias: Métodos estatísticos para detectar padrões incomuns
- Alertas Compostos: Alertas de múltiplos sinais para modos de falha complexos
- Alertas Preditivos: Alertas prospectivos baseados em capacidade e tendências
- Monitoramento Canário: Detecção precoce por meio de monitoramento de implantação progressiva
Framework de Sinais Dourados
Monitoramento de Latência
- Latência de Requisição: Rastreamento de tempo de resposta P50, P95, P99
- Latência de Fila: Tempo gasto esperando em filas de processamento
- Latência de Rede: Atrasos de comunicação entre serviços
- Latência de Banco de Dados: Métricas de execução de consulta e pool de conexões
Monitoramento de Tráfego
- Taxa de Requisições: Requisições por segundo com detecção de burst
- Uso de Banda: Throughput de rede e utilização de capacidade
- Sessões de Usuário: Rastreamento de usuários ativos e duração da sessão
- Uso de Funcionalidades: Métricas de adoção de endpoint de API e funcionalidades
Monitoramento de Erros
- Taxa de Erro: Rastreamento de código de resposta HTTP 4xx e 5xx
- Orçamento de Erro: Alvos de taxa de erro baseados em SLO e consumo
- Distribuição de Erros: Classificação de tipos de erro e tendências
- Falhas Silenciosas: Detecção de falhas de processamento sem erros HTTP
Monitoramento de Saturação
- Utilização de Recursos: Uso de CPU, memória, disco e rede
- Profundidade de Fila: Comprimento da fila de processamento e tempos de espera
- Pools de Conexão: Saturação de conexões de banco de dados e serviços
- Limitação de Taxa: Rastreamento de throttling de API e esgotamento de cota
Estratégias de Rastreamento Distribuído
Arquitetura de Trace
- Estratégia de Amostragem: Amostragem head-based, tail-based e adaptativa
- Propagação de Trace: Propagação de contexto entre limites de serviço
- Correlação de Span: Modelagem de relacionamento pai-filho
- Armazenamento de Trace: Políticas de retenção e otimização de armazenamento
Instrumentação de Serviço
- Auto-Instrumentação: Geração automática de trace baseada em framework
- Instrumentação Manual: Criação de span personalizado para lógica de negócio
- Tratamento de Bagagem: Propagação de preocupações transversais
- Impacto no Desempenho: Medição e otimização do overhead de instrumentação
Padrões de Agregação de Logs
Arquitetura de Coleta
- Implantação de Agente: Estratégias de envio de log (push vs. pull)
- Roteamento de Log: Roteamento e filtragem baseados em tópico
- Estratégias de Parsing: Tratamento de log estruturado vs. não estruturado
- Evolução de Esquema: Versionamento e migração do formato de log
Armazenamento e Indexação
- Design de Índice: Indexação otimizada de campos para padrões de consulta comuns
- Políticas de Retenção: Retenção de log baseada em tempo e volume
- Compressão: Compressão e arquivamento de dados de log
- Desempenho de Pesquisa: Otimização de consultas e cache de resultados
Otimização de Custos para Observabilidade
Gerenciamento de Dados
- Retenção de Métricas: Retenção em camadas com base na importância da métrica
- Amostragem de Logs: Amostragem inteligente para reduzir custos de ingestão
- Amostragem de Traces: Estratégias de coleta de trace com bom custo-benefício
- Arquivamento de Dados: Armazenamento frio para dados históricos de observabilidade
Otimização de Recursos
- Eficiência de Consultas: Consultas otimizadas de métricas e logs
- Custos de Armazenamento: Camadas de armazenamento adequadas para diferentes tipos de dados
- Limitação de Taxa de Ingestão: Ingestão de dados controlada para gerenciar custos
- Gerenciamento de Cardinalidade: Detecção e mitigação de métricas de alta cardinalidade
Visão Geral dos Scripts
Esta skill inclui três scripts Python poderosos para design abrangente de observabilidade:
1. SLO Designer (slo_designer.py)
Gera frameworks completos de SLI/SLO com base nas características do serviço:
- Entrada: JSON de descrição do serviço (tipo, criticidade, dependências)
- Saída: Definições de SLI, alvos de SLO, orçamentos de erro, alertas de taxa de queima, recomendações de SLA
- Funcionalidades: Cálculos de taxa de queima em múltiplas janelas, políticas de orçamento de erro, geração de regras de alerta
2. Alert Optimizer (alert_optimizer.py)
Analisa e otimiza configurações de alertas existentes:
- Entrada: JSON de configuração de alertas com regras, limites e roteamento
- Saída: Relatório de otimização e configuração de alertas melhorada
- Funcionalidades: Detecção de ruído, lacunas de cobertura, identificação de duplicatas, otimização de limites
3. Dashboard Generator (dashboard_generator.py)
Cria especificações abrangentes de painel:
- Entrada: JSON de descrição do serviço/sistema
- Saída: JSON de painel compatível com Grafana e documentação
- Funcionalidades: Cobertura de sinais dourados, métodos RED/USE, caminhos de drill-down, visões baseadas em papel
Padrões de Integração
Integração com Stack de Monitoramento
- Prometheus: Coleta de métricas e geração de regras de alertas
- Grafana: Criação de painel e configuração de visualização
- Elasticsearch/Kibana: Análise de logs e integração de painel
- Jaeger/Zipkin: Configuração de rastreamento distribuído e análise
Integração CI/CD
- Monitoramento de Pipeline: Observabilidade de build, teste e implantação
- Correlação de Implantação: Rastreamento de impacto de release e gatilhos de rollback
- Monitoramento de Feature Flag: Observabilidade de rollout de funcionalidades e testes A/B
- Regressão de Desempenho: Monitoramento automatizado de desempenho em pipelines
Integração com Gerenciamento de Incidentes
- PagerDuty/VictorOps: Roteamento de alertas e políticas de escalonamento
- Slack/Teams: Integração de notificação e colaboração
- JIRA/ServiceNow: Rastreamento de incidentes e fluxos de trabalho de resolução
- Post-Mortem: Análise automatizada de incidentes e rastreamento de melhorias
Padrões Avançados
Observabilidade Multi-Cloud
- Métricas Entre Nuvens: Métricas unificadas no AWS, GCP e Azure
- Observabilidade de Rede: Monitoramento de conectividade entre nuvens
- Atribuição de Custos: Rastreamento de custos de recursos em nuvem e otimização
- Monitoramento de Conformidade: Rastreamento de postura de segurança e conformidade
Observabilidade de Microsserviços
- Integração com Service Mesh: Configuração de observabilidade Istio/Linkerd
- Monitoramento de API Gateway: Observabilidade de roteamento de requisições e limitação de taxa
- Orquestração de Containers: Monitoramento de cluster Kubernetes e carga de trabalho
- Descoberta de Serviços: Monitoramento dinâmico de serviços e verificações de saúde
Observabilidade de Machine Learning
- Desempenho de Modelo: Monitoramento de precisão, deriva e viés
- Monitoramento de Feature Store: Rastreamento de qualidade e frescura de features
- Observabilidade de Pipeline: Monitoramento de execução e desempenho do pipeline de ML
- Análise de Testes A/B: Significância estatística e medição de impacto nos negócios
Melhores Práticas
Alinhamento Organizacional
- Definição de SLO: Definição colaborativa de alvos entre produto e engenharia
- Propriedade de Alertas: Caminhos claros de escalonamento e responsabilidades da equipe
- Governança de Painel: Gerenciamento centralizado de painel e padrões
- Programas de Treinamento: Educação da equipe em ferramentas e práticas de observabilidade
Excelência Técnica
- Infraestrutura como Código: Controle de versão da configuração de observabilidade
- Estratégia de Testes: Teste de regras de alerta e validação de painel
- Monitoramento de Desempenho: Rastreamento do desempenho do sistema de observabilidade
- Considerações de Segurança: Controle de acesso e privacidade de dados na observabilidade
Melhoria Contínua
- Revisão de Métricas: Avaliação regular da eficácia dos SLI/SLO
- Ajuste de Alertas: Otimização contínua de limites e roteamento de alertas
- Evolução do Painel: Melhorias de painel orientadas por feedback do usuário
- Avaliação de Ferramentas: Avaliação regular da eficácia das ferramentas de observabilidade
Métricas de Sucesso
Métricas Operacionais
- Tempo Médio para Detecção (MTTD): Quão rapidamente os problemas são identificados
- Tempo Médio para Resolução (MTTR): Tempo da detecção à resolução
- Precisão de Alertas: Porcentagem de alertas acionáveis
- Conquista de SLO: Porcentagem de alvos de SLO atendidos consistentemente
Métricas de Negócio
- Confiabilidade do Sistema: Tempo de atividade geral e qualidade da experiência do usuário
- Velocidade de Engenharia: Produtividade da equipe de desenvolvimento e frequência de implantação
- Eficiência de Custo: Custo de observabilidade como porcentagem do gasto em infraestrutura
- Satisfação do Cliente: Confiabilidade e satisfação de desempenho relatada pelos usuários
Esta skill abrangente de design de observabilidade permite que as organizações construam sistemas de monitoramento e alertas robustos e escaláveis que fornecem insights acionáveis enquanto mantêm eficiência de custos e excelência operacional.
