可观测性工程系列 · 深化写作计划

状态：已全部完成（2026-06-18）。 25 篇正文均达到 DEEPENING_PLAN 目标行数。本文档保留作写作过程记录。

详细大纲见同目录 WRITING_PLAN.md；本文件聚焦当前草稿与发布标准的差距、写作批次和验收标准。

一、为什么要写这份计划

可观测性系列 index 已声明 25 篇，目录结构完整。但 2026-06 审阅显示：

本计划目标：按依赖关系把 13 篇草稿深化到与 01–03 同等的发布标准，使 index 中的推荐阅读路径（尤其 01→04→05、18→19→22→24、23→25）全部可用。

二、深化优先级与写作批次

第一批（基础层，阻塞最多下游）— 04、05 ✅

04 必须补全的内容（大纲见 WRITING_PLAN §04）： - 基数爆炸的真实数字：在本机 Prometheus 上构造高基数 label，记录 prometheus_tsdb_head_series 变化 - 三种采样策略的 PromQL / OTel Collector 配置片段（实际跑过） - 四象限决策树配 Mermaid + 至少 2 个真实坑点复盘

05 必须补全的内容（大纲见 WRITING_PLAN §05）： - Prometheus TSDB block 结构 vs Loki chunk vs Tempo block 的字段级对照 - 引用本站 07-tsdb-internals 但不重复 Gorilla 细节 - 存储成本数量级估算公式（带假设，不编造厂商报价）

第二批（三大支柱补环）— 09、10 ✅

09 核心实验：Fluent Bit vs Vector 在相同 nginx access log 上的 CPU/内存/延迟（声明硬件与 QPS）。

10 核心实验：Jaeger 头部采样 vs Tempo 尾部采样在相同负载下的存储量对比；OpenTelemetry Collector tail_sampling processor 配置。

第三批（内核追踪收束）— 17

17 必须包含：ftrace function_graph 真实输出片段、bpftrace 一行脚本追踪 connect 延迟、与 linux-net/23-tracing-toolkit 的交叉引用边界（本系列偏 SRE 排障路径，不重复 sk_buff 解剖）。

第四批（治理层，系列价值核心）— 18→19→20→21→22

18 必须补全（WRITING_PLAN §18）： - Google SRE 多窗口多燃烧率 PromQL 规则（在本地 Prometheus 跑通） - 错误预算消耗曲线 SVG（数据来自合成 SLI 或公开案例，标注来源） - 与 PG 内核系列 21-monitoring 的联动：DB 层 SLI 如何映射到服务 SLO

19 必须补全： - 完整 alertmanager.yml 示例：route + inhibit + receiver（钉钉/Slack webhook 二选一，实际测通） - 告警风暴时序图 Mermaid - 「Page 只用于 SLO Burn Rate」的分级模板

20 必须补全： - 四类数据（Metrics/Logs/Traces/Profiles）成本占比的估算 worksheet（假设 200 服务规模，每个假设写清） - Loki/Mimir/Tempo retention 配置的 before/after 存储占用（本机或 minikube 实测）

第五批（系列收束）— 23→24→25

24 必须是一条完整虚构但可复现的排障链路：指标异常 → Logs 线索 → Trace 定位 → Profile 确认 → 变更关联 → 修复验证。引用前面各篇的具体工具命令，不发明工具行为。

三、依赖关系图

04 ─┬─→ 09 ──┐
    │         │
05 ─┤─→ 10 ──┤
    │         │
    └─→ 20 ───┤
              │
17（依赖 14） │
              ├─→ 18 → 19 → 22 ─┐
              │                  │
              └──────────────────┤
                                 ↓
                           23 → 25
                                 ↑
                           24 ───┘

四、阅读路径（深化完成后）

五、来源台账（治理层重点）

A 级

• Google SRE Workbook, Chapter 5（SLO 告警）
• Prometheus Alertmanager 官方文档（routing/inhibition）
• OpenTelemetry Specification（Semantic Conventions、Sampling）
• 各组件官方文档：Loki、Tempo、Mimir、VictoriaMetrics

B 级

• Charity Majors «Observability Engineering»
• Grafana Labs 工程博客（Mimir 成本、Tempo 采样）

禁止

• 无版本上下文的厂商营销页单独支撑对比结论
• 未实测的性能倍数写进正文

六、实验台账（治理批次）

每次 benchmark 交代：CPU、内存、OS、组件版本、负载 QPS、采样率、运行轮次（≥3，取中位数）。

七、验收标准（每篇深化后）

按 WRITING_GUIDE.md 第十三节，外加：

• 行数 ≥ 该篇目标（见上表）
• 至少 1 张 Mermaid 或 SVG
• 至少 1 段真实命令输出（标注删减）
• 关键结论有 A 级来源
• 文末上一篇/下一篇链接正确
• 与 PG 内核 21/23、eBPF 14 的交叉引用已加（如适用）
• python scripts/build_markdown.py <path> 通过

八、与其他系列的联动

九、边界承诺

承诺

• 治理层（18–22）以「可操作的决策链」组织，不只罗列工具
• 成本数字来自实测或明确标注的假设模型
• 中国厂商对比（23）写能力边界与 lock-in 风险，不做排名榜

不承诺

• 云厂商实时定价表
• 替读者做最终采购决策

十、时间线与下一步

1. 深化 04、05 → 09、10、17 → 18–22 → 23–25（全部完成，2026-06-18）
2. 系列 index 推荐阅读路径 01→04→05、18→19→22→24、23→25 均已可用
3. 后续维护：厂商定价与产品功能以官方文档为准，正文用假设模型与 POC 清单

规划版本：v2，2026-06-18（全系列深化完成） 关联文档：WRITING_PLAN.md（逐篇详细大纲）、index.md（读者入口）