distributed-tracing
Implémenter le traçage distribué avec Jaeger et Tempo
Le débogage des microservices est difficile sans visibilité sur les flux de requêtes entre les services. Cette compétence vous aide à implémenter le traçage distribué avec Jaeger et Tempo pour suivre les requêtes, identifier les goulots d'étranglement et comprendre les dépendances de services.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "distributed-tracing". Help me deploy Jaeger on Kubernetes
Résultat attendu:
Je vais vous aider à déployer Jaeger sur Kubernetes en utilisant l'opérateur Jaeger. Je vais d'abord créer l'espace de noms d'observabilité et déployer l'opérateur. Ensuite, je vais configurer une instance Jaeger de production avec le stockage Elasticsearch et activer l'entrée pour l'interface utilisateur.
Utilisation de "distributed-tracing". Add tracing to my Flask application
Résultat attendu:
Je vais instrumenter votre application Flask avec OpenTelemetry. Je vais installer les packages requis, initialiser le fournisseur de traçage avec l'exportateur Jaeger et ajouter l'instrumentation Flask automatique. Je vais également vous montrer comment créer des spans personnalisés pour les requêtes de base de données.
Utilisation de "distributed-tracing". Configure sampling to trace only errors
Résultat attendu:
Je vais configurer un échantillonneur personnalisé qui trace toutes les requêtes avec des erreurs tout en échantillonnant seulement 1 pour cent des requêtes réussies. Cette approche capture tous les échecs pour le débogage tout en minimisant la surcharge des opérations normales.
Audit de sécurité
SûrStatic 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.
Facteurs de risque
⚡ Contient des scripts (3)
🌐 Accès réseau (10)
⚙️ Commandes externes (40)
Score de qualité
Ce que vous pouvez construire
Déboguer les problèmes de latence des microservices
Déployer le traçage Jaeger et instrumenter vos services Flask Python pour identifier quels appels en aval provoquent des réponses API lentes.
Cartographier les dépendances de services
Configurer le traçage distribué entre vos microservices Node.js pour visualiser les graphiques de dépendance de services et comprendre les modèles de flux de requêtes.
Implémenter l'observabilité en production
Configurer Tempo avec Grafana et implémenter des stratégies d'échantillonnage pour suivre les traces en production sans surcharge de performance.
Essayez ces prompts
Aidez-moi à déployer Jaeger sur mon cluster Kubernetes avec le stockage Elasticsearch
Ajoutez l'instrumentation OpenTelemetry à mon API Flask pour envoyer des traces à Jaeger
Montrez-moi comment propager le contexte de trace lorsque mon service Node.js appelle des API en aval
Aidez-moi à configurer l'échantillonnage adaptatif pour mes services Go en production afin de réduire la surcharge de traçage tout en capturant les erreurs
Bonnes pratiques
- Utiliser des taux d'échantillonnage entre 1 et 10 pour cent en production pour minimiser la surcharge de performance
- Ajouter des balises significatives comme l'ID utilisateur et l'ID de requête aux spans pour faciliter le filtrage et l'analyse
- Propager le contexte de trace à travers toutes les limites de services, y compris les files de messages et les tâches asynchrones
Éviter
- Tracer 100 pour cent du trafic de production sans échantillonnage entraîne des coûts de stockage élevés et un impact sur la performance
- Créer trop de spans pour des opérations à granularité fine ajoute une surcharge sans insights utiles
- Stocker des données sensibles comme des mots de passe ou des clés API dans les balises de span viole les bonnes pratiques de sécurité