分布式追踪

微服务里「慢在哪、错从哪来」往往说不清

一次用户请求会穿过网关、多个业务服务和下游存储。各服务各自打日志，request_id 对不齐时，你只能猜：是 A 服务排队、B 调用超时，还是 C 重试把错误放大。没有端到端视图，延迟排查和错误传播分析都会变成串日志的体力活。

技能在做什么

本技能围绕 Jaeger 与 Grafana Tempo 的部署与使用，把一次请求整理成 Trace（追踪），并在每个服务边界留下 Span（跨度）。核心能力包括：

• 埋点：以 OpenTelemetry 为推荐路径，覆盖 Python（Flask）、Node.js（Express）、Go 等常见栈
• 上下文传播：经 HTTP 头在服务间传递 Context，必要时扩展 baggage
• 采样：概率、限流、自适应等策略，避免生产环境全量采集拖垮 CPU
• 分析：在 Jaeger 中查慢请求与错误，利用自动生成的服务依赖图看请求速率、错误率与平均延迟
• 与日志联动：用标签（如 user_id、request_id）把 span 和日志对齐，缩短故障排查路径

文档中还给出 Kubernetes / Docker Compose 部署 Jaeger、Tempo 在 K8s 上的部署思路，以及 references/jaeger-setup.md、references/instrumentation.md 等可执行参考。

适用边界

任务与分布式追踪无关，或必须依赖本技能范围外的其他领域/工具时，不应硬套本技能。生产上宜控制采样（常见建议 1–10%）、统一 span 命名、在边界传播上下文，并监控追踪自身开销；若「没有 trace」或「延迟开销过高」，需从收集器端点、采样率、批量处理器与导出器配置逐项核对。