distributed-tracing
Implementierung von Distributed Tracing mit Jaeger und Tempo
Das Debugging von Microservices ist ohne Sichtbarkeit in Request-Flows über Services hinweg schwierig. Diese Fähigkeit hilft Ihnen, Distributed Tracing mit Jaeger und Tempo zu implementieren, um Requests zu verfolgen, Engpässe zu identifizieren und Service-Abhängigkeiten zu verstehen.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "distributed-tracing". Help me deploy Jaeger on Kubernetes
Erwartetes Ergebnis:
Ich werde Ihnen helfen, Jaeger auf Kubernetes mit dem Jaeger Operator bereitzustellen. Zuerst werde ich den Observability-Namespace erstellen und den Operator bereitstellen. Dann werde ich eine Production-Jaeger-Instanz mit Elasticsearch-Storage konfigurieren und Ingress für die UI aktivieren.
Verwendung von "distributed-tracing". Add tracing to my Flask application
Erwartetes Ergebnis:
Ich werde Ihre Flask-Anwendung mit OpenTelemetry instrumentieren. Ich werde die erforderlichen Pakete installieren, den Tracer-Provider mit Jaeger-Exporter initialisieren und automatische Flask-Instrumentierung hinzufügen. Ich werde Ihnen auch zeigen, wie Sie benutzerdefinierte Spans für Datenbankabfragen erstellen.
Verwendung von "distributed-tracing". Configure sampling to trace only errors
Erwartetes Ergebnis:
Ich werde einen benutzerdefinierten Sampler einrichten, der alle Requests mit Fehlern traciert, während nur 1 Prozent der erfolgreichen Requests gesampelt werden. Dieser Ansatz erfasst alle Fehler zum Debugging und minimiert gleichzeitig den Overhead von normalen Operationen.
Sicherheitsaudit
SicherStatic analyzer detected 65 potential security patterns including C2 keywords, weak crypto, and external commands. Manual review confirms all findings are false positives - patterns appear in legitimate documentation and code examples for distributed tracing infrastructure deployment. No security risks identified.
Risikofaktoren
⚡ Enthält Skripte (3)
🌐 Netzwerkzugriff (10)
⚙️ Externe Befehle (40)
Qualitätsbewertung
Was du bauen kannst
Debugging von Microservice-Latenzproblemen
Stellen Sie Jaeger Tracing bereit und instrumentieren Sie Ihre Python-Flask-Services, um zu identifizieren, welche Downstream-Aufrufe langsame API-Antworten verursachen.
Mapping von Service-Abhängigkeiten
Richten Sie Distributed Tracing über Ihre Node.js-Microservices ein, um Service-Abhängigkeitsgraphen zu visualisieren und Request-Flow-Muster zu verstehen.
Implementierung von Production-Observability
Konfigurieren Sie Tempo mit Grafana und implementieren Sie Sampling-Strategien, um Traces in der Produktion ohne Performance-Overhead zu verfolgen.
Probiere diese Prompts
Helfen Sie mir, Jaeger auf meinem Kubernetes-Cluster mit Elasticsearch-Storage bereitzustellen
Fügen Sie OpenTelemetry-Instrumentierung zu meiner Flask-API hinzu, um Traces an Jaeger zu senden
Zeigen Sie mir, wie ich Trace-Context propagieren kann, wenn mein Node.js-Service Downstream-APIs aufruft
Helfen Sie mir, adaptives Sampling für meine Produktions-Go-Services zu konfigurieren, um den Tracing-Overhead zu reduzieren und gleichzeitig Fehler zu erfassen
Bewährte Verfahren
- Verwenden Sie Sampling-Raten zwischen 1 und 10 Prozent in der Produktion, um Performance-Overhead zu minimieren
- Fügen Sie aussagekräftige Tags wie Benutzer-ID und Request-ID zu Spans hinzu für einfachere Filterung und Analyse
- Propagieren Sie Trace-Context über alle Service-Grenzen hinweg, einschließlich Message Queues und asynchroner Jobs
Vermeiden
- Das Tracing von 100 Prozent des Produktions-Traffics ohne Sampling führt zu hohen Storage-Kosten und Performance-Auswirkungen
- Das Erstellen zu vieler Spans für feingranulare Operationen fügt Overhead hinzu ohne nützliche Einblicke
- Das Speichern von sensiblen Daten wie Passwörtern oder API-Keys in Span-Tags verstößt gegen Security-Best-Practices