health-check

name	health-check
description	Use when performing routine environment checks, validating service health before or after deployments, checking SLO compliance, or generating a health status report. Also use when the user asks "环境健康么", "服务状态怎样", "部署前检查", or "SLO 达标了么". Queries CloudWatch metrics directly — works even without alarms configured.

Health Check — 主动健康巡检

直接查 CloudWatch 指标判断服务健康，不依赖告警配置。

和其他 skills 的关系

• env-discovery: "有什么资源" → health-check: "资源健不健康"
• health-check 发现异常 → log-diagnosis 下钻日志 → aws-troubleshooting 深度排查
• health-check 发现告警 → incident-triage 分诊

工作流程

Step 0 — 确认范围

MUST:

• 确认巡检范围：全局 vs 单服务
• 确认 region（默认 ap-northeast-1）
• 确认时间窗口（默认最近 1 小时）

Step 1 — 执行健康检查

MUST:

• 运行 scripts/check-health.sh <account-id> <region> 获取健康摘要
• 如果单服务，加 --service <name> 过滤
• 脚本自动发现 EKS / RDS / ALB 资源并查指标

SHOULD:

• 如果脚本返回 UNKNOWN（无指标数据），提示用户可能未开启 Container Insights 或相关监控

Step 2 — 分析指标

MUST:

• 读 references/health-metrics.md 了解各指标含义和阈值
• 判断每个服务的健康等级：HEALTHY / DEGRADED / CRITICAL / UNKNOWN
• 如果有 SLO 定义，对比实际值 vs 目标。优先读 references/slo-targets.local.yaml（你环境的真实目标，已 gitignore），不存在时回退到示例 references/slo-targets.yaml

SHOULD:

• 关注趋势——指标在恶化还是稳定
• 检查多个指标的关联（如 CPU 高 + 内存低 可能是内存泄漏导致 GC 频繁）

Step 3 — 输出报告

MUST:

• 用 assets/health-report-template.md 格式输出
• 包含：总体状态、每服务健康状态、异常详情、告警状态、SLO 达标情况
• 突出 CRITICAL 和 DEGRADED 的服务

Step 4 — 联动建议

SHOULD:

• DEGRADED/CRITICAL → 建议使用 log-diagnosis 查日志
• 有告警触发 → 建议使用 incident-triage 分诊
• 需要深度排查 → 路由到 aws-troubleshooting（实时查 aws-knowledge MCP / SSM Automation）
• 无数据（UNKNOWN）→ 建议开启监控（Container Insights、RDS Enhanced Monitoring 等）

查询参考

• 各服务健康指标和阈值：references/health-metrics.md
• SLO 目标定义：references/slo-targets.local.yaml（真实，gitignore）优先，否则 references/slo-targets.yaml（示例模板）

Automation Boundary

auto-safe

• aws cloudwatch get-metric-data / get-metric-statistics
• aws cloudwatch describe-alarms
• aws eks list-clusters / describe-cluster
• aws rds describe-db-instances / describe-db-clusters
• aws elbv2 describe-load-balancers / describe-target-health
• 运行 scripts/check-health.sh
• 生成健康报告

human-required

• 无（纯只读 skill）

Gotchas

• Container Insights 不是默认开启的——如果 EKS 指标全部 UNKNOWN，不是集群有问题，是没开监控
• RDS FreeableMemory 在 Aurora 上的行为和标准 RDS 不同——Aurora 主动使用内存做缓存，低 FreeableMemory 不一定是问题
• CloudWatch 指标有 ~2 分钟延迟，最近几分钟的数据可能不完整
• ALB 的 p99 延迟需要开启 Extended Statistics，标准 statistics 只有 Average/Sum/Min/Max
• 没有告警配置（ap-northeast-1 当前 0 个告警）不代表环境健康——这就是为什么本 skill 直接查指标
• check-health.sh 使用 macOS 兼容的命令（sed 而非 grep -P）。如果在 Linux 上遇到 sed 行为差异，检查 GNU vs BSD sed