搜索「Observability」的结果

io.github.sickn33/antigravity-awesome-skills/frontend-observability

面向任意 React 或 React Native 应用的可移植、框架无关的现场可观测体系。

io.github.alirezarezvani/claude-skills/observability-designer

结合指标、日志与追踪，设计生产级可观测性方案。含 SLI/SLO 设计、黄金信号监控与告警优化。用于为新服务添加可观测性、重构过于嘈杂的告警，或在扩展生产负载前设计 SLO 体系时。

io.github.wshobson/agents/python-observability

Python 可观测性模式，包括结构化日志、指标与分布式追踪。在添加日志、实现指标采集、搭建追踪或调试生产系统时使用。

io.github.sickn33/antigravity-awesome-skills/database-migrations-migration-observability

迁移监控、CDC 与可观测性基础设施。

io.github.sickn33/antigravity-awesome-skills/api-testing-observability-api-mock

你是 API 模拟（mock）专家，专注于为开发、测试与演示构建逼真的 mock 服务。设计能模拟真实 API 行为、支撑并行开发的 mock。

io.github.Dokhacgiakhoa/Agent-skills-setup-for-AntiGravity/database-migrations-migration-observability

迁移监控、CDC 与可观测性基础设施。

io.github.Dokhacgiakhoa/antigravity-ide/database-migrations-migration-observability

迁移监控、CDC 与可观测性基础设施。

io.github.rmyndharis/antigravity-skills/database-migrations-migration-observability

迁移监控、CDC 与可观测性基础设施。

io.clawhub.kcns008/kubernetes

Kubernetes 与 OpenShift 平台智能体集群——用于集群运营的协调式多智能体系统。

io.clawhub.ivangdavila/monitoring

用指标、日志、链路与告警为应用和基础设施搭建可观测性。

io.clawhub.ivangdavila/backend

构建具备恰当错误处理、安全防护与可观测性的可靠后端服务。

io.clawhub.msaad00/agent-bom-discover-snowflake

从运维环境中发现 Snowflake Cortex、Snowpark、notebook、Streamlit、MCP 与 AI 可观测性资产，输出规范 agent-bom 清单 JSON，并在不向 agent-bom 提供长期 Snowflake 凭据的前提下完成扫描。当用户要求将 Snowflake AI 或 Cortex 基础设施盘点为规范清单时使用。

io.clawhub.relayplane/relayplane

OpenClaw 的智能体运维层——提供可观测性、治理与成本优化，并内置自动故障切换。不会搞坏你现有的环境。

io.github.alirezarezvani/claude-skills/slo-architect

用于定义、评审或运维 SLO/SLI/错误预算。触发词包括「define an SLO」「what should our SLO be」「error budget」「burn rate」「SLI」「service level objective」「Google SRE workbook」「multi-window burn-rate alert」，或任何可靠性目标问题。附带 SLO 设计器、带多窗口燃烧率阈值的错误预算计算器，以及捕捉常见缺陷（目标过于激进、窗口过短、SLO 冲突、缺少 SLI 定义）的 SLO 评审器。4 份关于 SLO 原则+SLI 设计+错误预算数学+与 feature-flags-architect/chaos-engineering/kubernetes-operator 组合的参考文档。不是通用的可观测性技能——专注 SLO 这一学科。

io.github.alirezarezvani/claude-skills/engineering-advanced-skills

为 Claude Code、Codex、Gemini CLI、Cursor、OpenClaw 提供 37 个高级工程 agent 技能的索引。用于浏览或选择 POWERFUL 层级的工程技能：agent 设计、RAG、MCP 服务器、CI/CD、数据库设计、可观测性、安全审计、changelog/release 自动化、可靠性（SLO/chaos/flags/operators）、平台运维。

io.github.browser-use/browser-use/open-source

基于 browser-use 开源库编写 Python 代码的文档参考。凡涉及 Agent、Browser、Tools 配置、导入 browser_use 的代码、@sandbox 部署、支持的 LLM 模型、Actor API、自定义 tools、lifecycle hooks、MCP 服务器搭建、Laminar 或 OpenLIT 监控/可观测性，以及 browser-use 安装、prompt 策略、敏感数据处理时都适用。不适用于 Cloud API/SDK 用法与定价——用 cloud skill；也不适用于通过 CLI 命令直接驱动浏览器——用 browser-use skill。

io.github.affaan-m/ECC/enterprise-agent-ops

以可观测性、安全边界与生命周期管理运行长生命周期智能体工作负载。适用于运行需要可观测性、安全边界或生命周期控制的长生命周期智能体负载。

io.github.PostHog/posthog/exploring-llm-traces

使用 PostHog 的 MCP 工具调试并检查 LLM/AI 代理 trace。当用户粘贴 trace 或会话 URL（如 /ai-observability/traces/<id> 或 /ai-observability/sessions/<id>）、要求调试某个 trace、弄清哪里出了问题、检查代理是否正确使用了工具、验证上下文/文件是否被呈现、检查子代理行为、分析 LLM 决策，或研究 token 用量与成本时使用。当针对 `events.properties.$ai_input` / `$ai_output_choices` 的原始 SQL/HogQL 返回为空时也使用——消息内容只存在于专用的 `posthog.ai_events` 表中。

io.github.mukul975/Anthropic-Cybersecurity-Skills/implementing-runtime-security-with-tetragon

用 Cilium Tetragon 在 Kubernetes 中实现基于 eBPF 的运行时可观测性与内核内执行：监控进程执行、文件访问、网络连接与系统调用，并在内核层面阻断危险调用。适用于部署 Tetragon 以检测或阻断 ptrace、mount、unshare 等系统调用、实施内核级策略，或为集群增加低开销的运行时检测。关键词：Tetragon、Cilium、eBPF、TracingPolicy、kprobe、执行、进程谱系。不要用于基于 Falco 的检测——那用 detecting-container-runtime-threats-with-falco。

io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。

io.github.pollinations/pollinations/tinybird-deploy

使用 Tinybird Forward CLI 部署 Tinybird 的 pipe 与 datasource，为 enter.pollinations.ai 提供可观测性。

io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。

io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。

io.github.microsoft/ai-agents-for-beginners/deploying-scalable-agents

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式（客户端托管、托管 agent、agent 工作流）、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化，以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于：将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于：初次构建 agent（请从第 01 课开始）、在本地设备上运行 agent（用 local-ai-agents / 第 17 课）、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。