十年前问”系统挂没挂”，看一张 Zabbix 的 CPU 图就够；今天问”为什么 p99 突增”，要同时看 Metrics、Logs、Traces、Profiles 加上服务拓扑、变更事件、K8s 调度，才能落到一行具体代码上。现代可观测性已经是一套工程体系：数据模型、传输协议、存储结构、查询语言、采样策略、成本控制、SLO 治理、故障响应，每一环都可以单独写一本书。
这个系列面向 SRE、平台工程师、架构师与稳定性负责人，把可观测性当成工程问题来拆：协议怎么选、eBPF 能做到哪一步、OpenTelemetry 的语义约定为什么重要、SLO 与告警怎么闭环、国内厂商的方案有哪些坑、事故发生时怎么从”指标抖动”走到”代码行号”。
本系列为工程参考，不构成任何具体产品或厂商背书。
系列状态：已完成（2026-06-18）。25 篇全部可读。
适合谁看
- SRE / 稳定性工程师：正在搭建或优化可观测栈，负责 SLO、告警、事故响应。
- 平台工程师：为全公司提供统一观测平台、基础库、埋点规范。
- 后端与架构师：需要理解埋点成本、采样、数据模型如何影响系统性能与账单。
- 稳定性负责人：面对云厂商方案（阿里 ARMS、腾讯 APM、华为 AOM、观测云等）的选型与自建决策。
推荐阅读路径
- 想系统入门 → 01 → 02 → 03 → 04 → 05
- 做三大支柱选型 → 06 → 08 → 10 → 11
- 做性能与内核观测 → 12 → 14 → 15 → 16 → 17
- 做 SLO 与事故治理 → 18 → 19 → 22 → 24
- 国内方案对比 / 自建 vs 托管 → 23 → 25
目录
第一部分：可观测性基础
- 可观测性全景：Metrics、Logs、Traces、Profiles、Events 五大支柱
- 可观测性 vs 监控：从 Zabbix/Nagios 到 OpenTelemetry 的二十年
- 指标体系设计：USE、RED、Golden Signals 与业务 KPI
- 埋点哲学：粒度、采样、基数爆炸与成本模型
- 数据模型：时间序列、日志、Span、Profile 的内部表达
第二部分：三大支柱深入
- Metrics：Prometheus、VictoriaMetrics、Thanos、Mimir、M3
- 时序数据库内核：TSM、TSI、倒排索引与 Gorilla 压缩
- Logs：Loki、ClickHouse、Elasticsearch、OpenObserve 的取舍
- 日志管道：Fluent Bit、Vector、Logstash、Cribl 的取舍
- Traces 栈与采样：Jaeger、Tempo、Zipkin、SkyWalking
- OpenTelemetry 深入：SDK、Collector、语义约定与版本演进
- 持续性能分析（Profiling）：pprof、Pyroscope、Parca、async-profiler、JFR
- Events 与变更关联：CloudEvents、发布打点、K8s 事件
第三部分：eBPF 与内核可观测性
- 运行时安全机制续作见 Tetragon / eBPF 运行时安全
第四部分：治理与工程落地
- SLO 工程：错误预算、Burn Rate、多窗口多燃烧率告警
- 告警体系：Alertmanager、PagerDuty、OnCall 与分级抑制
- 可观测性存储与成本：采样、下采样、冷热分层、对象存储
- 多租户与安全：数据隔离、标签治理、PII 清洗
- 混沌工程：ChaosBlade、Chaos Mesh 与可观测性闭环
第五部分：真实案例与中国落地
- 中国可观测性厂商对比：阿里 ARMS、腾讯 APM、华为 AOM、观测云、夜莺、DeepFlow
- 真实事故复盘剧本：从指标抖动到根因的全链路追查
- 自建 vs 托管：OpenTelemetry 自建栈与 SaaS 的选型决策
延伸阅读
读完这篇，下一步读什么
优先读同系列或同问题的下一篇，把单篇消费变成主题集群。
【可观测性工程】可观测性全景：Metrics、Logs、Traces、Profiles、Events 五大支柱
从控制论到云原生：拆解可观测性的五大信号支柱，对比监控与可观测性的本质区别，梳理开源/商业/SaaS 分类，以及国内互联网公司三大支柱落地现状与典型工程坑点。
【可观测性工程】真实事故复盘剧本：从指标抖动到根因的全链路追查
虚构但可复现的 checkout 服务事故全链路：SLO Burn Rate 告警后按 Golden Minute→Metrics→Traces→Logs→Profile→Events 五阶递进排障，含 PromQL/LogQL/kubectl 命令与三条分级剧本，交叉引用系列 01–22。
【可观测性工程】OpenTelemetry 深入：SDK、Collector、语义约定与版本演进
从 OpenTracing 与 OpenCensus 合并到今天的 OTel v1 稳定版，梳理 SDK 生命周期、Collector 流水线、OTLP 协议与 Semantic Conventions 的工程意义，并结合阿里 ARMS、观测云、夜莺等国内实践，给出多租户与尾采样的落地建议。
【可观测性工程】指标体系设计：USE、RED、Golden Signals 与业务 KPI
Prometheus 指标体系怎么选：Google 四大象限 Latency/Traffic/Errors/Saturation，以及 USE、RED 与业务 KPI 的对照、命名与基数治理。