SLO 常见误区

摘要：SLO 落地过程中坑很多。本文列出最典型的几个：盲目追求 100%、把 SLI 当内部指标、设完不告警不门禁、用平均值掩盖长尾，帮你在起步阶段就避开。

适用环境

text

100% 意味着零容错、零发布、零变更，得不偿失。
正确：用错误预算允许可控的失败，换来更快的迭代。

text

用 CPU/内存当 SLI —— 用户不关心。
正确：用成功请求占比、P99 延迟等业务可感知指标。

text

只写文档不接告警/门禁，SLO 成装饰。
正确：必须接 MWMB 告警 + 发布门禁 + 月度复盘。

promql

# 错：平均延迟好看但 1% 用户极慢
avg(http_duration)
# 对：看分位数
histogram_quantile(0.99, sum(rate(http_duration_bucket[5m])) by (le))

DANGER

“SLO 达标”但若靠长期静默真实故障、或 SLI 定义虚高，是自欺欺人，事故一来全暴露。

text

对照清单自查：SLI 是否用户感知？是否有告警？是否接门禁？是否月度复盘？
四项不全即踩坑。

WARNING