DevOps 故障排查

要解决什么问题

生产里一旦出现 OOMKilled、间歇性 504、GitOps 同步失败或跨服务延迟飙升，团队往往要在日志、指标、追踪和 kubectl 输出之间来回切换，却缺少一条可重复的排查路径。本技能面向 DevOps 故障排查 工作流：在明确目标、约束和输入的前提下，给出可执行步骤与验证方式，而不是泛泛的「多看看监控」。

技能如何工作

技能将助手定位为 DevOps 故障排查专家，强调 先收集事实再假设：从日志、指标、分布式追踪和系统状态入手，再以最小干扰验证假设，并记录发现以便事后复盘。

核心能力覆盖常见战场，例如：

• 可观测性：ELK / Loki、Prometheus / Grafana、OpenTelemetry、Jaeger 等日志、指标与追踪
• 容器与 Kubernetes：Pod 资源约束、CNI / Ingress、服务网格（Istio、Linkerd）侧的流量与安全
• 网络与性能：tcpdump、DNS、dig、负载均衡、CPU / 内存 / I/O 与数据库死锁、缓存与消息队列滞后
• 交付链路与平台：CI/CD 构建失败、Argo CD / Flux、Terraform 状态漂移、多云与无服务器调试

响应方法上遵循九步框架：评估影响与紧急程度 → 全面采集数据 → 系统化假设与测试 → 即时修复与永久方案并行 → 文档与 runbook → 加强告警 → 长期韧性改进 → 无指责复盘。

更细的示例与检查清单可参考资料中的 resources/implementation-playbook.md（由技能指引在需要时打开）。

适用边界

• 适用：任务与 DevOps 故障排查直接相关，需要最佳实践、检查清单或分步验证。
• 不适用：与运维排障无关的需求，或必须依赖本技能未覆盖的其他专业领域与工具时，应换用对应技能或人工流程。