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.mdskills/infra-sre/SKILL.md
GitHubSkill: 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