SRE Practice Skills

Восемь скиллов с практиками SRE: SLO и бюджет ошибок, алерты, разбор инцидентов, постмортемы и запуск в прод

  • 66 ★ репозитория
  • Последний коммит
  • Apache-2.0
Скилл

Минимальный доступ

Почему такой уровень

  • Скиллы дают инструкции и шаблоны, скрипт `burn_rate.py` только считает по переданным числам
Все причины и проверки

paulip114/sre-practice-skills

Установка

В терминале, через SkillFoxx CLI

npx skillfoxx add skills/sre-practice-skills

Определит агенты на машине, покажет уровень доступа и зафиксирует версию.

Другие способы установки

Доступ и проверки

Как мы проверяем

Минимальный доступИнструмент ничего не запускает и не ходит в сеть.

  • Скиллы дают инструкции и шаблоны, скрипт `burn_rate.py` только считает по переданным числам

Это чужой код. Посмотрите файлы в репозитории перед установкой.

Что делает

Набор превращает практики из двух бесплатных книг Google по SRE в пошаговые процедуры, чек-листы и шаблоны, которые агент подгружает по совпадению запроса. Пересказа книг нет: процедуры написаны заново, а каждый скилл ссылается на главы, на которые опирается. Восемь скиллов закрывают отдельные задачи. `sre-slos-and-error-budgets` помогает подобрать SLI и SLO и написать политику бюджета ошибок, `sre-monitoring-and-alerting` превращает SLO в алерты по нескольким окнам и скоростям сгорания с шаблонами Prometheus и калькулятором `burn_rate.py`, `sre-incident-response` ведет инцидент по ролям, `sre-postmortem` строит постмортем без поиска виноватых, `sre-release-and-launch` описывает выкатку и чек-лист запуска, `sre-on-call-and-toil` разбирает дежурства и рутину, `sre-capacity-and-system-design` считает емкость и устойчивость, `sre-data-reliability` отвечает за конвейеры, бэкапы и целостность данных. Пример из README: по четырем неделям метрик платежного API скилл выдает стартовые SLO с допустимым числом плохих событий и заполненным документом.

Для кого. SRE-инженерам, девопсам и командам, которые строят дежурства, SLO и разбор инцидентов и хотят подключить к этому агента.

Подходит, если

  • Для платежного API надо предложить стартовые SLO по измеренной доступности и задержке
  • SLO нужно превратить в алерты Prometheus по нескольким окнам сгорания бюджета
  • Идет инцидент в проде: нужны роли, живой документ и обновления статуса
  • После сбоя надо написать постмортем без поиска виноватых и с конкретными задачами

Не подходит, если

  • Нужен готовый мониторинг или интеграция с вашим стеком: скиллы дают процедуры и шаблоны без подключений
  • Задача вне эксплуатации: код приложения и дизайн интерфейсов в набор не входят
  • Требуется точный текст книг Google: скиллы пересказывают практики своими словами

Пример запроса к агенту

Используй sre-slos-and-error-budgets и предложи стартовые SLO для платежного API: за 4 недели 3,2 млн запросов, 99,62% без ошибок 5xx, p99 1,1 с

Ограничения

Проект неофициальный и не связан с Google. Книги Google распространяются под лицензией CC BY-NC-ND 4.0, поэтому скиллы дают оригинальные процедуры и ссылки на главы без текста книг. Скиллы только направляют агента: метрики, алерты и инциденты в вашей системе он не видит, пока вы не передадите данные. Часть материалов лежит в `references/` как шаблоны, например шаблон политики бюджета ошибок и постмортема, и их надо адаптировать под команду. Скрипт `burn_rate.py` требует Python. Практики рассчитаны на сервисы масштаба Google, и малым командам часть процедур придется упростить.

Как отключить. Удалите папки `sre-*` из `~/.claude/skills/` или из `.claude/skills/` проекта.

Частые вопросы

Как поставить SRE Practice Skills в Claude Code?

Выполните `npx skills add paulip114/sre-practice-skills`. Для одного скилла добавьте `--skill sre-postmortem -a claude-code`, для всех проектов флаг `-g`. Вручную копируют папки `sre-*` в `~/.claude/skills/`.

Какие скиллы входят в набор?

Восемь: SLO и бюджет ошибок, мониторинг и алерты, реагирование на инциденты, постмортем, выкатка и запуск, дежурства и рутина, емкость и дизайн систем, надежность данных.

Откуда взяты практики?

Из книг Site Reliability Engineering (2016) и The Site Reliability Workbook (2018). Это неофициальный проект, процедуры написаны своими словами, а каждый скилл ссылается на нужные главы.

Умеют ли скиллы строить алерты Prometheus?

Да, `sre-monitoring-and-alerting` содержит шаблоны правил в `references/prometheus-rules.md` и калькулятор `scripts/burn_rate.py` для алертов по нескольким окнам и скоростям сгорания бюджета.

Нужно ли вызывать скилл вручную?

Нет, Claude загружает скилл по совпадению запроса с описанием. Скилл можно назвать в запросе напрямую: «Use sre-postmortem to review this incident write-up».

Обсуждение

Вопросов и отзывов пока нет.

Скиллы

Восемь скиллов для Azure SRE Agent проверяют архитектуру, политики, запас ресурсов и расходы подписки и ставят оценки

СкиллРасширенный доступ70Звезды репозитория

Скиллы по производительности и масштабированию сайтов, пока один: ooda-loop, цикл наблюдения, вывода, решения и действия.

СкиллРасширенный доступ135Звезды репозитория

Скилл и библиотека Python: четыре показателя качества решений агента, защита от повторной записи и предохранитель цепочки агентов

СкиллРасширенный доступ309Звезды репозитория

Скилл настраивает OpenTelemetry: коллектор, выборку, безопасность и поток телеметрии из ИИ-агентов, не засоряя контекст.

СкиллМинимальный доступ55Звезды репозитория
Официальный

Скилл Vercel для монорепозиториев на Turborepo: настройка turbo.json, кеш, фильтры и CI по документации, которая лежит в установленном пакете

СкиллМинимальный доступ31,3 тыс.Звезды репозитория
Официальный

Официальный набор скиллов Grafana: PromQL, Loki, Tempo, Alloy, k6, дашборды и алертинг для Claude Code, Cursor и Codex

СкиллРасширенный доступ309Звезды репозитория

Коротко о README

README на двух языках объясняет, зачем наборы нужны, как их поставить через `skills` CLI или копированием, как вызывать скиллы, и показывает пример SLO для платежного API. Дальше идут перечень скиллов и лицензионные оговорки.

Бейдж для README

Исходный SKILL.md

---
name: sre-slos-and-error-budgets
description: Use when defining, reviewing or refining SLIs and SLOs, writing or applying an error budget policy (release freezes, reliability prioritization, escalation), or quantifying incidents and projects in error-budget terms. Based on Google SRE practice.
---

# SLOs and Error Budgets

Define what "reliable enough" means for users, then agree in advance what the organization does when the service falls short.

## SLO Design

Design service level indicators (SLIs) and objectives (SLOs) that track what users experience, and that the organization will actually use to make decisions.

### Core ideas

- An SLO is a target for "reliable enough". Above it, nearly all users are satisfied; below it, they start to complain or leave.
- **100% is never the target.** Every extra nine costs more and is worth less to users, dependencies between you and the user add their own failures, and a 100% goal leaves no room for change, which is the main source of outages.
- Express every SLI as **good events / valid events**, a ratio between 0% and 100%. Then error budget = 100% − SLO, and one set of tooling (numerator, denominator, threshold) works for every SLI.
- Separate the **SLI specification** (what matters to the user, e.g. "home page loads in < 100 ms") from the **SLI implementation** (where and how it is measured). One spec can have several implementations that trade off fidelity, coverage and cost.
- SLOs need an **owner empowered to trade velocity for reliability** — usually the product owner.

### Procedure

1. **Scope.** Pick one application. Name the users whose happiness you are optimizing.
2. **Map the system.** Sketch components, request flow, data flow and critical dependencies. Classify each component as *request-driven*, *pipeline* or *storage* (see `references/sli-menu.md`).
3. **List critical user journeys** (e.g. search → add to cart → checkout). These are what SLIs should ultimately represent.
4. **Choose SLI specs.** At most ~5 SLI types for the service. Use multiple thresholds for latency-like SLIs so you cover both the typical case and the tail (e.g. 90% < 100 ms *and* 99% < 400 ms).
5. **Choose implementations.** Start with the cheapest data that exists (logs or load-balancer metrics) over probers or client instrumentation that would take weeks. Prefer measuring as close to the user as is practical, and note what each source misses (e.g. server logs miss requests that never arrive).
6. **Set starter targets.** If nothing better is known, measure recent performance and round *down* to a manageable figure (e.g. two significant figures for availability, a coarse step for latency). Don't lock yourself into today's accidental excellence, but remember users come to expect whatever you deliver.
7. **Pick a window.** Default: a **4-week rolling window** (whole weeks keep weekend counts constant), with weekly summaries for prioritization and quarterly reports for planning. Use calendar windows only where business planning needs them.
8. **Compute the budget** in absolute terms (allowed bad events per window) so people can reason in "this outage cost 13% of our budget".
9. **Get agreement from three parties:** product (target is good enough for users), development (will act when budget runs out), operations (defensible without heroics or excessive toil). If any party won't sign, iterate on the SLI/SLO — don't ship an SLO without teeth.
10. **Document** it using `references/slo-document-template.md`, including the rationale and whether numbers are observational or ad hoc. Review monthly at first, quarterly once stable.
11. **Pair with** an error budget policy (*Error Budget Policy* below) and burn-rate alerts (`sre-monitoring-and-alerting`).

### Iterating on an existing SLO

Collect a cheap signal of user happiness (support tickets, manually detected outages, forum posts, surveys). Then compare it with budget burn:

- Real user pain that never dented the budget → poor **recall**: tighten the SLO or move/broaden the SLI implementation.
- Budget burn with no user pain → poor **precision**: loosen the SLO or fix the SLI.
- If moving the threshold either way gives too many false positives or negatives, the *implementation* is the problem, not the number.
- Need a tighter target than you can meet today? Track it as an **aspirational SLO** that the error budget policy explicitly does not enforce.

Use this matrix to decide what to do next:

Сообщить о проблеме