3. Prometheus指标驱动理念：指标驱动复盘的定义、基于SLI/SLO的复盘框架、数据驱动决策

3.1 指标驱动复盘的定义

传统的事故复盘往往依赖“人证”和“时间线拼凑”，容易陷入主观归因和记忆偏差。指标驱动复盘（Metrics-Driven Postmortem）则要求：所有复盘结论必须基于可量化的、可回溯的监控指标数据，而非个人回忆或推测。

在Prometheus生态中，指标驱动复盘的核心特征包括：

• 可回溯性：通过PromQL查询历史数据，精确还原故障期间的指标走势。
• 可量化性：每个故障影响范围、持续时间、恢复速度都有明确的数值定义。
• 可对比性：同一类故障的指标数据可以横向对比，识别系统性薄弱环节。
• 可验证性：改进措施实施后，通过指标变化验证是否真正解决问题。

3.2 基于SLI/SLO的复盘框架

指标驱动复盘必须建立在统一的度量标准之上。SLI（服务等级指标）和SLO（服务等级目标）提供了这个标准。没有SLI/SLO的复盘，就像没有刻度的温度计——你只能感觉“热”或“冷”，却无法精确描述。

3.2.1 SLI/SLO在复盘中的角色

3.2.2 基于SLI/SLO的复盘五步法

1. 定义故障窗口：根据告警时间和恢复时间，精确划定故障起止时间戳。
2. 提取SLI基线：查询故障前7天或30天的SLI正常波动范围，作为对比基准。
3. 计算SLO违反量：统计故障期间SLO燃烧速率、错误预算消耗量、违反持续时间。
4. 分解SLI维度：按服务、实例、地域、用户类型等维度分解SLI，定位受影响最严重的子集。
5. 生成指标证据链：将关键PromQL查询结果截图或导出，形成可追溯的指标证据链。

3.3 数据驱动决策

数据驱动决策（Data-Driven Decision Making）是指标驱动复盘的最终目标。它要求团队基于指标数据做出以下四类决策：

• 修复优先级决策：根据故障频率和影响范围，决定哪些问题需要立即修复，哪些可以放入技术债务队列。
• 资源投入决策：根据SLO达成率趋势，决定是否需要扩容、优化代码或增加冗余。
• 流程改进决策：根据MTTR分解指标（检测时间、响应时间、修复时间），决定优化哪个环节。
• 风险接受决策：当改进成本高于故障损失时，基于数据做出接受风险的理性决策。

3.3.1 数据驱动决策的典型流程

以下SVG图展示了从指标采集到决策输出的完整数据驱动链路：

3.3.2 数据驱动决策的避坑指南

3.4 指标驱动复盘与MTTR的关联

指标驱动复盘直接作用于MTTR的每个阶段：

• MTTD（平均检测时间）：通过SLI燃烧速率告警，将故障检测从“用户投诉”提前到“指标异常”。
• MTTI（平均确认时间）：通过多维下钻的PromQL，快速定位受影响的服务和实例。
• MTTF（平均修复时间）：通过历史复盘的指标证据链，复用已验证的恢复操作。
• MTTV（平均验证时间）：通过SLO达成率指标，自动验证恢复是否有效。