当生产环境出现故障时，你会很快发现。但在损害扩散之前理解故障原因，才是难点所在。这也是站点可靠性工程（SRE）团队耗时最多的地方。回想一下上一次你在凌晨 2 点收到告警：告警只告诉你出了问题，却没说明原因。你打开四个或……