infra-sre

Monitoreo, alertas y confiabilidad de sistemas — Prometheus, Grafana, logging, SLIs/SLOs, incident response y observabilidad. Trigger: Cuando necesitás monitorear un servicio, configurar alertas, defi

SKILL.md

GitHub

Skill: infra-sre

Si no está monitoreado, no existe.

Trigger

  • Un servicio está caído y no te diste cuenta
  • Querés dashboards para ver el estado del sistema
  • Necesitás alertas que avisen antes de que explote
  • Hay que definir SLOs y error budgets
  • Estás haciendo postmortem de un incidente

Workflow LEND

1. ANALIZAR
   ├── ¿Qué servicios corren? (API, worker, DB, frontend)
   ├── Stack actual (Prometheus? Datadog? CloudWatch? Nada?)
   ├── ¿Qué métricas importan? (latencia, errores, throughput, saturación)
   └── ¿Hay logs centralizados?

2. OFRECER (Menú del Senior)
   ├── A) Mínimo: healthcheck endpoint + uptime monitoring (UptimeRobot/Heartbeat)
   ├── B) Standard: Prometheus + Grafana dashboards + alertas críticas
   └── C) Full SRE: todo + SLIs/SLOs + error budgets + runbooks + logging (Loki/ELK)

3. ELEGIR → el usuario confirma

4. HACER
   ├── Endpoint /health y /metrics en la app
   ├── Exporters (node_exporter, postgres_exporter, blackbox_exporter)
   ├── Prometheus config + reglas de alerta
   ├── Grafana dashboards (USE method for infra, RED method for services)
   ├── Alertmanager (Slack, email, PagerDuty)
   └── Runbooks para incidentes comunes

5. VERIFICAR
   ├── Las métricas llegan a Prometheus
   ├── Las alertas se disparan correctamente (probar con condiciones reales)
   └── El dashboard muestra datos con sentido

Patrones

  • USE method: Utilization, Saturation, Errors (para infra)
  • RED method: Rate, Errors, Duration (para servicios)
  • Four golden signals: latency, traffic, errors, saturation
  • SLIs: medir lo que importa al usuario (latencia P99, error rate)
  • SLOs: objetivos realistas (99.9% okay, 99.99% requiere esfuerzo)
  • Error budget: 100% - SLO. Cuando se acaba, parar features, arreglar estabilidad
  • Postmortems sin blame: el sistema falló, no la persona

Anti-patrones

  • Alertas que nadie mira (alerta que no duele = ruido)
  • Dashboards sin contexto (métrica sin unidad = números flotando)
  • SLOs aspiracionales sin data histórica
  • No tener runbooks — en medio de un incidente no se piensa
  • Monitorear todo menos lo que ve el usuario