网站可靠性工程与Scrum：为生产环境而构建

服务级别指标（SLI）是从用户视角对服务行为的量化度量——可用性、延迟、错误率是最常见的SLI。服务级别目标（SLO）是SLI的目标值，是团队必须维护的运营承诺，在Scrum语境中应由产品负责人（PO）承担所有权。这些承诺代表产品对用户的可靠性保证；决定何时接受可靠性风险以换取更快的功能交付，从本质上是产品决策，而非工程决策。

错误预算是SLO的算术补集：99.9%可用性SLO意味着每月约43分钟的错误预算。当错误预算充裕时，团队可以大胆发布；当错误预算耗尽时，正确的响应是暂停功能发布，投入可靠性改善直至预算恢复。这将功能与可靠性之间的张力，从PO与工程团队之间的政治博弈，转变为基于数据、预先商定的政策——错误预算告诉你当前处于哪种模式。

• 「Toil」是SRE对手动、重复、可自动化运维工作的称谓。衡量团队花在Toil上的时间占比，即可创造出可规划、可优先排序的工程改善任务。

• 「无责事后分析」是从事件中学习而不追究个人责任的结构化流程——产生的行动项目属于产品待办事项列表，PO应像对待其他任何待办项一样对其进行估算和优先级排序。

• 渐进引入SRE概念：从最关键的用户可见服务的单一SLO开始，定义错误预算，在下一次重大事件后开展一次无责事后分析，衡量一个Sprint的Toil。

如果您的Scrum团队在平衡功能交付与生产系统可靠性需求方面存在困难，XNM的项目群与项目交付咨询服务可以帮助您设计一个融入SRE原则的交付模式，同时不会压垮仍在积累Scrum成熟度的团队。