场景

服务可观测性工具包

为 Python 服务添加插装，跨微服务追踪请求，并在 Grafana 中可视化健康信号。该套件为团队提供了从日志和指标快速定位根因的捷径。

3 技能 2 安装次数

observabilitymonitoringtracingdashboardsbackend

4 天前更新

安装

运行此命令，安装该技能包中的全部技能：

npx skillstore add @service-observability-kit

CLI 会自动检测 Codex 和 Claude Code 文件夹；如果两者都可用，就会同时安装。

概览

使用指南

由 AI 增强

详细指南

## 概述
服务可观测性工具包为后端团队提供了从原始日志和指标快速定位根因的捷径。它捆绑了三个生产级技能，可为 Python 服务添加插装，使用 Jaeger 或 Tempo 跨微服务追踪请求，并在 Grafana 中可视化实时系统和应用健康状态。

## 快速入门
1. 在 OpenClaw 工作区中安装该插件。
2. 使用 **python-observability-patterns** 为 Python 服务添加结构化日志、指标、OpenTelemetry 追踪和关联 ID。
3. 使用 **distributed-tracing** 在微服务间配置 Jaeger 或 Tempo，然后构建生产级 **grafana-dashboards** 以实时展示延迟、错误和饱和度。

## 关键命令
- `0xdarkmatter-python-observability-patterns` — 在 Python 应用中应用日志、指标、追踪和关联 ID 模式（structlog、OpenTelemetry、Prometheus）。
- `wshobson-distributed-tracing` — 使用 Jaeger 和 Tempo 跨微服务追踪请求，精确定位性能瓶颈并分析请求流。
- `sickn33-grafana-dashboards` — 创建和管理生产级 Grafana 仪表板，用于实时可视化系统和应用指标。
## 提示
- 从 python-observability-patterns 开始发射一致的追踪和关联 ID，然后叠加 distributed-tracing 使跨度跨服务边界链接，再在生成的指标基础上设计 grafana-dashboards。
- 将该插件与告警或事件响应插件配合使用：仪表板突出显示需要关注的位置，追踪解释原因，而值班工作流则形成闭环。
- 保持仪表板面板与黄金信号（延迟、流量、错误、饱和度）对齐，以便追踪数据和 Python 插装能清晰地映射到运维人员在 Grafana 中看到的内容。