Документ 13. Observability

Назначение

Документ определяет требования к наблюдаемости (Observability) платформы Agent Control Center: логирование, метрики, распределённую трассировку, мониторинг и эксплуатационные показатели.

1. Цели

Быстрое обнаружение проблем.
Сокращение MTTR.
Полная трассировка выполнения Run.
Контроль производительности компонентов.
Возможность анализа инцидентов.

2. Логирование

Все сервисы должны использовать структурированные JSON-логи.

Минимальные поля: - timestamp - level - service - request_id - correlation_id - run_id - user_id - message

Уровни: - DEBUG - INFO - WARNING - ERROR - CRITICAL

3. Метрики

Экспорт через Prometheus.

Основные метрики: - HTTP Requests/sec - Error Rate - P95/P99 Latency - Active Runs - Queue Length - Memory Usage - CPU Usage - Connector Availability

4. Distributed Tracing

Поддержка OpenTelemetry.

Каждый запрос должен формировать Trace ID и Span ID.

Трассируются: - API - Event Bus - Scheduler - Agent Runtime - Connector SDK - Database

5. Health Checks

Обязательные endpoints:

/health/live
/health/ready
/metrics

Проверяются: - PostgreSQL - Event Bus - Object Storage - AI Provider - Memory Service

6. Alerting

Рекомендуемые правила:

высокая доля ошибок;
рост задержек;
отсутствие heartbeat;
переполнение очередей;
исчерпание дискового пространства.

7. SLI / SLO

Пример целевых значений:

API Availability ≥ 99.9%
P95 API Latency < 500 ms
Error Rate < 1%
Recovery Time < 15 min

8. Эксплуатация

Все сервисы должны поддерживать: - graceful shutdown; - readiness probe; - liveness probe; - безопасный перезапуск.

Следующий документ

14_Testing_Strategy.md

2.4 KiB Raw Blame History Unescape Escape