我所理解的 SRE 需要的能力
英文版：English
从工具清单到问题类别
切分 SRE 技能有两种方式。第一种按工具切：Kubernetes、Terraform、Prometheus、某家云。这是入门视角，弱点一眼可见：kubectl apply 是大宗商品，谁都会。第二种按问题类别切：哪几类故障我能在时间压力下端到端搞定。本站的雷达就建立在第二种视角上。
我判断「精通」的标准很具体：**抽象泄漏时，你能不能往下钻？**会部署一个服务是入门。把一个卡在 Pending 的 pod 沿着调度约束、allocatable 的算术、节点状态一层层追下去，或者把一次 OOM 追进引擎根本不统计的内存缓冲区里，才是精通。本站上每一条能力声明都应该用这条判据来读。这也是每条声明都链接到 artifact 的原因：没有下钻记录支撑的「精通」只是自信。
为什么是这九个轴
雷达的九个域不是我从哪里抄来的分类法，而是从「这份工作是什么」推导出来的：让一个系统持续兑现它的契约。
四个稳态交付域（可观测性、发布与变更、平台与自动化、基础设施与容量）合起来构成「运维一个系统」：你能不能看见它、在不弄坏它的前提下改它、把重复的事自动化、并为将要到来的负载定容。这四个域的行业实践最成熟，所以它们是必要项，但不是区分项。
分布式系统不是运维域，而是智识内核：理解系统为什么会以这些具体的方式坏掉。Partial failure、到达率超过处理率意义上的过载、retry 放大、级联超时。可用性本身可以分解为 P(不出故障) + P(出故障) × P(快速检测) × P(快速恢复或有损降级)。这一个分解悄悄论证了半张雷达图：乘积里的「检测」对应可观测性这个轴，「恢复」对应事件响应这个轴，而中间那个最常被遗忘的因子，正是监控永远不可能是 nice-to-have 的原因。
事件响应是整个回路的时间维度。交付域用几周准备好的一切，会在几分钟内、由一个人、在信息不全的情况下被消耗掉。
安全是那条隐性的第二契约。可用性承诺系统在提供服务，安全承诺它没有被攻破。威胁模型不同，失败模型不同，而且这种失败没有任何回滚能撤销。即使在一张以可靠性为中心的地图上，它也配得上自己的轴。
数据与状态是不可逆性所在。搬数据的失败模式和搬机器完全不同：一次坏的发布可以回滚，一个丢掉的字节不能；导入时的内存行为可能取决于表的累计体积而不是批次大小。对有状态系统使用无状态式的条件反射，在我这里是一个有名字的反模式。
影响力是 senior 以上的硬门槛。根因分析和预防性工作在组织里天然低可见，所以真正撬动组织投入的能力是翻译：用组织自己的成本语言、带着证据，把技术债讲清楚。做不到这一点的工程师，无论其他轴多高，上限都是个人卓越。
为什么事故响应是护城河
部署、容量规划、消除 toil，这些都有成熟模式可抄：参考架构、厂商蓝图、别人的复盘。抄不来也外包不掉的是：凌晨三点服务挂了，你能不能在二十分钟内定位并恢复。这项能力是其他所有轴在时间压力下的化合物，这正是它单独成轴而不是溶解进其他域的原因：雇主真正购买的就是这个化合物。
DB 运维的 SRE 子集
运维有状态引擎看起来像 DBA 的活，但边界很干净：DBA 管引擎内部，SRE 管跑引擎的那个服务。「这条查询为什么慢」是 DBA 的领地；「这个集群为什么挂、为什么撑不住」是 SRE 的领地。
SRE 这一侧可以归结为一套刻意与具体引擎无关的五件套：（1）部署拓扑，挂一个节点会死什么；（2）失败模式与恢复，核心中的核心；（3）容量与资源模型，瓶颈在哪、扩容的代价是什么；（4）备份与演练过的恢复，没演练过的备份只是一个假设，不是备份；（5）可观测性，复制延迟、队列深度、内存与磁盘水位全部接上告警。把这五个问题对一个引擎回答透，换下一个引擎就是过一遍 checklist，不是换一次职业。
有一个灰色地带我刻意划给 SRE：查询级资源治理（内存隔离、排队、单查询限制）。它看起来像查询调优，但它的目的（防止一条查询打爆整个服务）是稳定性，不是优化（让这条查询更快）。稳定性手段属于持有 pager 的那个人。
运营监控与建设监控
最后这个拆分纠正一个常见的错误标签：把监控当成可选的基础设施工作。建设监控平台（federation、采集管道、自研 exporter）是专家项，不精通没有问题。运营监控（压力下读 metrics、写出定位故障的那条查询、设计对症状告警的 SLI/SLO 和告警体系）是核心，没有余地。读不懂自己遥测数据的 SRE，恰好在最需要视力的时刻是盲的。
这个核心里有一条设计信念：把四个概念分开。SLI 是你衡量什么，histogram 是分布如何被记录，quantile 是看分布的一个视角，SLO 是时间窗口内对指标施加的目标。我偏好 SLI = 达标请求数 / 有效请求数；一句裸的「P99 ≤ X ms」是有用的观测视角，不是 SLI 本体。
这套框架就是雷达九个轴的含义。接下来两页是它的应用：证据表明我现在实际站在哪里，以及我知道自己还不会什么。