# Observability Designer > Designer de Observabilidade (PODEROSO). Projeta estratégias abrangentes de observabilidade para sistemas em produção, incluindo frameworks SLI/SLO, otimização de alertas e geração de painéis. - Skill: `ricneves-ai/observability-designer` (Agent Skill) - Install (CLI): `npx skillmds@latest add ricneves-ai/observability-designer` - Raw SKILL.md: https://api.skillmd.com/api/skills/ricneves-ai/observability-designer/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: ricneves-ai (https://skillmd.com/u/ricneves-ai) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/ricneves-ai/observability-designer --- # 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.