@huicai/cli 2026.712.80880 → 2026.721.0

package/skills/metrics-system/SKILL.md

@@ -0,0 +1,55 @@
+---
+name: metrics-system
+description: 指标体系设计（北极星指标、驱动树拆解、看板信息架构、目标值设定、防虚荣指标）。当用户说"搭指标体系/北极星/该看什么数/做个经营看板/指标树"时使用。
+version: 1.0.0
+---
+
+# 指标体系（先想清楚"要回答什么问题"，再谈看什么数）
+
+## 北极星指标选择（一个就够）
+
+三条标准同时满足：**反映用户/客户获得的价值**（不是我方虚荣:"注册数"不反映价值,
+"周活跃使用核心功能用户数"反映）/ **可被团队行动影响**（利率汇率类不行）/
+**先导性**（领先于收入,收入是滞后确认）;
+候选打分表（价值相关/可影响/先导性/可测量 四维）→ 定一个 + 1–2 个**护栏指标**
+（防副作用:冲 GMV 的护栏是退货率与毛利,冲时长的护栏是卸载率）。
+
+## 驱动树拆解（从北极星到可执行）
+
+- 拆解原则：**MECE 且每层可运营**——乘法链优先（GMV=UV×CVR×AOV,ecommerce 的 LMDI 可归因）,
+  加法链次之（营收=Σ产品线）,拆到"某个团队能对它负责"为止;
+- 每个节点四属性：定义口径（data-governance 字典衔接）/当前值与目标值/负责人/更新频率;
+- 反例扫描：不可行动的节点（"品牌影响力"）要么给代理指标要么删;
+  两个节点相关性 >0.95 = 冗余,留一个。
+
+## 虚荣指标红线（体系里见一个杀一个）
+
+累计型（累计注册/累计下载——只涨不跌无信息量,换成活跃/留存）/ 均值陷阱
+（人均时长被少数重度用户拉高,换分位数或分层）/ 比率无分母公示（"转化率提升 50%"——
+从 0.2% 到 0.3%?分母多大?）/ 无对照的绝对值（"本月获客 1 万"好不好取决于成本与基线）。
+
+## 目标值设定
+
+三来源交叉：历史基线外推（趋势+季节性）/ 对标（同业/内部标杆店）/ 资源反推
+（投入产出弹性估算）——三者差异大时给区间与假设,**拍脑袋目标写明"待论证"**;
+目标分解带缓冲显式化（各层加 buffer 汇总会爆炸,总buffer 统一管理,project-management 同理）。
+
+## 看板信息架构（认知负荷设计）
+
+- **一屏一问题**：经营总览屏（北极星+护栏+关键驱动,5 秒看懂红绿）/ 诊断屏（驱动树逐层下钻）/
+  专题屏（活动/渠道）——把所有指标堆一屏=没有看板;
+- 每个图表配「所以呢」注释位（异常必须有人写归因,无归因的红灯比没有更糟）;
+- 更新频率与决策频率匹配（日会看日新,月度经营会看月度+趋势——给秒级大屏做月度决策是浪费）;
+- 可视化规范转 data-analysis;落地为 html 交互报告（内置浏览器可看）或例程日报（office-automation）。
+
+## 指标体系评审清单（一年一修）
+
+北极星还成立吗（业务阶段变了吗）/ 驱动树断链了吗（组织调整后节点无主）/
+护栏触发过吗（从未触发=阈值虚设）/ 哪些指标三个月没人看（下线）。
+
+## 验收自查
+
+- [ ] 北极星过三标准,配了护栏
+- [ ] 驱动树每节点四属性齐,无不可行动节点
+- [ ] 无虚荣指标;目标值有来源与假设
+- [ ] 看板一屏一问题,异常有归因位

package/skills/negotiation-prep/SKILL.md

@@ -0,0 +1,56 @@
+---
+name: negotiation-prep
+description: 商务谈判准备与复盘（BATNA/ZOPA 分析、让步策略、议题包设计、谈判纪要、僵局处理）。当用户说"要去谈判/怎么谈/对方压价/续约谈判/谈崩了怎么办"时使用。
+version: 1.0.0
+---
+
+# 商务谈判（赢在桌前准备，落在书面确认）
+
+## 谈判准备表（上桌前必填）
+
+1. **目标三档**：理想/满意/底线（底线=BATNA 的价值折算,低于底线离场——**没写下来的底线
+   会在现场被说服**）;
+2. **BATNA 强化**：我方最佳替代方案是什么、能否在谈判前变得更强（多拿一个备选报价=
+   桌上腰杆);同时估**对方的 BATNA**（他不跟我成交的损失——这决定谁更需要这场交易）;
+3. **ZOPA 判断**：双方底线是否重叠;无重叠时先扩饼（见议题包）再谈,硬谈无解;
+4. **利益诊断**：立场（"降价 10%"）背后的利益（预算窗口?向上交代?现金流?）——
+   **立场只有一个,满足利益的方案有很多**,谈判空间来自这句话;
+5. 信息清单：我方可披露/不可披露分级;想从对方套取的信息与提问设计。
+
+## 议题包设计（单议题谈判是零和，多议题才有交换）
+
+议题清单化（价格/付款条件/交期/质保/独家/续约期/培训支持…）→ 各议题对**双方**的
+价值评分（1–5）→ 找"我低他高"的议题作让步筹码、"我高他低"的作索取重点——
+**让步矩阵**：让什么/换什么/让步幅度阶梯（递减:首次让步最大,传递"接近极限"信号;
+**永不白让**,每次让步必须挂一个交换条件）。
+
+## 桌上战术要点
+
+先报价还是后报价：信息优势方先报（锚定）,信息劣势先听;
+接到极端锚定：不围绕对方锚还价,**重新锚定**（回到客观标准:成本结构/市场价/历史成交）;
+沉默与休会是合法工具（"这个条件我需要回去核算"——现场拍板冲动是大忌）;
+红线：不虚构授权（"我做不了主"被拆穿=信用破产）、不承诺无法兑现的条件、不攻击个人。
+
+## 僵局处理阶梯
+
+换议题（搁置卡点先谈能成的,积累合意氛围）→ 扩饼（引入新议题:延长合约期换单价）→
+换标准（引第三方基准:行业价/审计数据）→ 换人或升级（授权更高层出面,给双方台阶）→
+休会（定重启时间,别不欢而散）→ 底线复核（BATNA 真的更好?确认后体面离场）。
+
+## 谈判纪要（每轮结束 24h 内发出）
+
+已达成（条款+数字,**用对方也确认过的措辞**）/ 未决（分歧点+双方立场）/
+双方开口事项（谁承诺回去核什么,期限）/ 下轮安排——邮件发出并请对方确认
+（email-writing 的书面固化句式）,口头合意不落纸=没谈。
+
+## 复盘
+
+目标达成 vs 三档/让步日志回看（每次让步换到了什么）/对方策略画像（下次谈判的输入）/
+纪要与合同一致性核对（**谈的和签的不一致是重大风险**,转 legal-contract 终审）。
+
+## 验收自查
+
+- [ ] 三档目标与双方 BATNA 落纸
+- [ ] 议题包 ≥3 个可交换议题,让步矩阵有交换条件
+- [ ] 每轮有纪要且经对方确认
+- [ ] 复盘核对了纪要与合同一致性

package/skills/obs-prometheus/SKILL.md

@@ -0,0 +1,74 @@
+---
+name: obs-prometheus
+description: 监控栈工程链（Prometheus 系落地:架构判据(单机→远程存储→托管)→采集工程(exporter 治理/服务发现/relabel 丢高基数)→PromQL 高频判据(rate vs irate/histogram_quantile 桶坑)→告警规则工程(for 时长/promtool 单测/抑制分组)→recording rules 判据→基数治理→监控自身的监控(watchdog 死人开关)）。eng-observability 的监控栈孙链:搭 Prometheus、写 PromQL、告警规则失控、监控爆内存时载入。
+version: 1.0.0
+---
+
+# 监控栈工程链（Prometheus 系）
+
+eng-observability 的监控栈孙链:规范与治理在父链,本链管 **Prometheus 生态的工程落地**。
+心智基调:**监控系统是生产系统**——它有容量、会宕机、需要被监控,按生产标准建。
+
+## 架构判据
+
+单机 Prometheus(中小规模默认:百万级活跃序列量级内,简单可靠)→
+远程存储/联邦(保留期长/序列千万级/多集群聚合——先问是不是基数失控,治理常比扩容对)→
+托管服务(免运维,成本与数据出域评估,eng-research);
+**每加一层组件先过"存在理由"审**(infra-gateway 分层纪律同构);
+高可用:双副本同配置各采各的+Alertmanager 集群去重——**双写不是主备**,查询侧任选其一。
+
+## 采集工程
+
+- exporter 治理:官方/社区 exporter 优先(node/mysqld/redis…);自研 exporter 规范(指标命名与单位后缀承 eng-observability/禁高基数 label/暴露自身健康);exporter 也进程管理(ops-fleet systemd 规范);
+- 服务发现:静态文件(小规模)/文件 SD(配置中心生成)/K8s SD(infra-k8s 场景,annotation 驱动);
+- 抓取参数:interval 全局统一为主(混用=rate 口径乱),timeout < interval;
+- **relabel 高频用法**:丢弃高基数 label(metric_relabel_configs drop)/实例名标准化/按标签分片——**relabel 是基数治理的第一道闸**;
+- 抓取健康:up 指标与 scrape_duration 监控(采集本身要可观测)。
+
+## PromQL 高频判据（细则与样例在作业包 cheatsheet）
+
+- **rate vs irate**:告警与大盘用 rate(窗口平滑,窗口≥4×抓取间隔);irate 只看瞬时毛刺,禁进告警;
+- **histogram_quantile 三坑**:分位数是估算(受桶边界影响,**桶要按 SLO 阈值设计**:阈值附近桶密);先 sum by (le) 再算;平均分位数没有意义(不能对 quantile 再 avg);
+- increase 整数陷阱(外推导致非整数,计数展示用 round);counter 重置由 rate/increase 自动处理,**别手写差值**;
+- 聚合纪律:by/without 显式(裸 sum 把维度全吞=排障没得下钻);
+- 四黄金信号标准查询模板化(recording rules 承接)。
+
+## 告警规则工程
+
+- **for 持续时长必配**(瞬时毛刺不叫,eng-observability 告警三问);阈值来自基线不拍脑袋(perf-baseline/历史分位);
+- **规则单元测试**:promtool test rules 写用例(给输入序列断言告警触发/不触发)——告警规则也是代码(cicd-pipeline 门禁);
+- 规则组织:按服务分组文件化入库(IaC,eng-observability"点出来的告警=无主债");
+- Alertmanager 治理:分组(group_by 防风暴)/抑制(上游挂了压下游,inhibit_rules)/静默留痕(变更窗口静默,eng-ops 变更日历联动)/分级路由(P1 电话通道/P2 IM/P3 日报,eng-observability 分级);
+- 告警模板:标题带影响与实例,**runbook 链接必挂**(runbook-template)。
+
+## recording rules 判据
+
+高频查询(大盘每 30s 算一次的复杂表达式)/跨大时间窗聚合/histogram 分位数预计算——预计算换查询快;
+命名规范 level:metric:operations(可读可溯);**别把 recording rules 当万能缓存**(每条都是持续计算成本,大盘先审"每张图回答什么问题",eng-observability 仪表盘纪律)。
+
+## 基数治理（Prometheus 的头号死因）
+
+症状:内存暴涨/查询变慢/TSDB 膨胀;
+定位查询:按 metric 统计序列数 topk(细则 cheatsheet)——**基数杀手三常客:userId/URL 原文/时间戳进了 label**(eng-observability 基数红线的执行面);
+处置:relabel drop→源头改造(埋点评审,eng-observability 埋点标准)→极端情况丢弃整个 metric;
+预防:新 exporter/新埋点上线前基数评估(qa 环境先抓一轮看序列增量);label 白名单纪律。
+
+## 存储与保留
+
+本地 TSDB 保留:时长×序列数=磁盘(容量算过再定,capacity-calc storage 思路);
+远程写判据:保留>30 天/多集群聚合/降采样需求(长期趋势用降采样数据,原始高精度短保留——eng-observability 成本分层的指标版);
+WAL 与磁盘水位监控(TSDB 磁盘满=监控自身宕机,见下节)。
+
+## 监控自身的监控（谁来监控监控）
+
+**meta-monitoring**:Prometheus 自身指标(内存/TSDB/采集失败率)由另一实例或云拨测盯;
+**watchdog 死人开关**:一条永远触发的告警持续发往 Alertmanager→外部系统确认"心跳还在"——**心跳消失=监控链路挂了**(监控挂了没人知道=最深的黑暗);
+Alertmanager 通道拨测(定期测试告警真的能到人:通道演练,eng-reliability 预案纪律)。
+
+## 使用纪律
+
+规则与配置全量入库走评审;新埋点过基数评估;告警规则带 promtool 用例;
+watchdog 心跳必配;每次监控自身事故(漏报/爆内存)回写:基数清单或 meta 监控盲区——
+**监控栈的成熟度=它宕机时你多快知道**。
+
+**作业包**:`references/promql-cheatsheet.md`(四黄金信号查询/rate 与分位数判据样例/告警规则模板与 promtool 用例/基数排查查询)。

package/skills/obs-prometheus/references/promql-cheatsheet.md

@@ -0,0 +1,78 @@
+# PromQL 高频速查与告警规则模板（obs-prometheus 落笔件:复制改名即用）
+
+## 1. 四黄金信号标准查询(RED,eng-observability)
+
+```promql
+# 请求率(QPS,按服务)
+sum by (service) (rate(http_requests_total[5m]))
+# 错误率(比例;窗口≥4×抓取间隔)
+sum by (service) (rate(http_requests_total{code=~"5.."}[5m]))
+  / sum by (service) (rate(http_requests_total[5m]))
+# 时延 P99(histogram;先 sum by le 再算!)
+histogram_quantile(0.99,
+  sum by (service, le) (rate(http_request_duration_seconds_bucket[5m])))
+# 饱和度示例(节点内存,node exporter)
+1 - node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes
+```
+
+判据备忘: rate 进告警与大盘;irate 只看瞬时毛刺;分位数不能再 avg(要合并先合 bucket);
+桶边界按 SLO 阈值设计(阈值附近桶密,否则分位数估算失真);counter 重置 rate 自动处理,禁手写差值。
+
+## 2. 告警规则模板(带 for 与 runbook,入库走评审)
+
+```yaml
+groups:
+- name: service-slo
+  rules:
+  - alert: HighErrorRate
+    expr: |
+      sum by (service) (rate(http_requests_total{code=~"5.."}[5m]))
+        / sum by (service) (rate(http_requests_total[5m])) > 0.01
+    for: 5m                       # 持续时长必配,瞬时毛刺不叫
+    labels: { severity: P2 }      # 分级路由(P1 电话/P2 IM/P3 日报)
+    annotations:
+      summary: "{{ $labels.service }} 错误率 {{ $value | humanizePercentage }}"
+      runbook: "https://__/RB-high-error-rate"   # runbook 必挂
+  - alert: Watchdog               # 死人开关:永远触发,外部确认心跳
+    expr: vector(1)
+    labels: { severity: heartbeat }
+```
+
+## 3. promtool 规则单测样例(告警规则也是代码)
+
+```yaml
+rule_files: [alert.rules.yml]
+tests:
+- interval: 1m
+  input_series:
+  - series: 'http_requests_total{service="api",code="500"}'
+    values: '0+10x10'      # 每分钟 +10
+  - series: 'http_requests_total{service="api",code="200"}'
+    values: '0+100x10'
+  alert_rule_test:
+  - eval_time: 6m
+    alertname: HighErrorRate
+    exp_alerts:
+    - exp_labels: { service: api, severity: P2 }
+```
+运行: `promtool test rules test.yml`(进 CI 门禁,cicd-pipeline)。
+
+## 4. 基数排查查询(内存暴涨第一时间跑)
+
+```promql
+# 序列数最多的 metric TOP10
+topk(10, count by (__name__)({__name__=~".+"}))
+# 某 metric 按 label 的基数分布(找出哪个 label 爆了)
+count by (some_label) (my_metric_name)
+# 抓取目标健康
+up == 0
+```
+处置序: relabel drop 该 label → 源头埋点改造 → 极端丢弃整个 metric(obs-prometheus 基数节)。
+
+## 5. recording rule 命名规范样例
+
+```yaml
+- record: service:http_request_duration_seconds:p99_5m
+  expr: histogram_quantile(0.99, sum by (service, le) (rate(http_request_duration_seconds_bucket[5m])))
+```
+判据: 大盘高频/跨大窗口/分位数预计算才 record(每条都是持续计算成本)。

package/skills/office-automation/SKILL.md

@@ -0,0 +1,54 @@
+---
+name: office-automation
+description: 办公自动化编排：例程定时、文件监听、专家团协作、子智能体并行的组合运用。当用户说"每天/每周自动…、盯着这个文件夹、定时生成报表、自动汇总周报"等持续性/定时性诉求时使用。
+version: 1.0.0
+---
+
+# 办公自动化编排（把一次性任务变成持续运转的流程）
+
+平台已有四种自动化原语，本技能教怎么**组合**：
+
+| 原语 | 用途 | 入口 |
+|---|---|---|
+| 例程（Routines） | 定时无头执行一段指令（cron） | `/schedule` 或 schedule_followup 工具；桌面端「已安排」 |
+| 自我调度 | 本回合没做完，约定时间自动续做 | schedule_followup（+30m / 每天 9:00 / cron） |
+| 文件监听 | 目录变更即触发任务 | CLI `huicai watch "*.xlsx" -p "…"` |
+| 专家团/子智能体 | 大任务拆给隔离上下文并行做 | /squad、dispatch_agent |
+
+## 设计一条自动化流程的五步
+
+1. **定触发**：时间驱动（每天 8:30）→ 例程；事件驱动（xlsx 落入共享目录）→ watch；
+   人驱动但重复（每次开会后）→ 存成自定义命令/技能。
+2. **定输入输出契约**：输入目录/文件命名规则、输出放哪、命名怎么带日期（`报表-YYYYMMDD.xlsx`）。
+   自动化流程里**路径与命名必须确定性**，禁止"看情况"。
+3. **写成一段可无头执行的指令**（例程运行时没有人可问）：
+   - 所有决策预先写死（口径、阈值、收件目录）；
+   - 遇到无法决策的情况：产出「待人工确认.md」并停止，**不要瞎猜**；
+   - 幂等：重复运行不产生重复数据（先查当日产物是否已存在）。
+4. **登记**：`/schedule add "0 30 8 * * ?" "读取 共享/销售日报/ 最新文件，按 data-report-pro 勾稽后
+   产出 日报-{日期}.xlsx 与摘要，异常时生成 待人工确认.md"`（桌面端应用开着即由内置 RoutineRunner 执行）。
+5. **验证与看护**：先手动跑一遍全流程确认产物；例程日志在 `~/.huicai/daemon/`；
+   第一周每天抽查产物，稳定后降频抽查。
+
+## 典型编排配方
+
+- **每日数据晨报**：例程(8:00) → 拉数(python) → data-report-pro 勾稽 → xlsx+摘要 → 桌面通知。
+- **收件即处理**：watch 盯 `收件/` → 新 xlsx 触发「按固定口径分析并把结果写入 产出/」。
+- **周报自动汇总**：例程(周五 16:00) → 读本周 `日报-*.xlsx` 合并 → docx-author 出周报初稿 →
+  留待人工审阅（自动化止于初稿，签发永远是人）。
+- **月度深度报告**：任务太大 → 专家团分工（数据组/撰写组/审校组），主理人合稿；
+  或 dispatch_agent 并行做各章节调研再汇总。
+
+## 红线
+
+- 无头例程跑在 YOLO 语义下：**指令里绝不能包含删除类/外发类动作**；deny 规则仍生效，
+  但第一道防线是把指令写成只产出、不清理。
+- 自动化产物必须可追溯：每份产物头部带生成时间与数据来源说明。
+- 不要自动化"判断"：数字化的规则可以自动，主观判定（如"重要客户"）要么给白名单要么留人工。
+
+## 验收自查
+
+- [ ] 触发/输入/输出契约写清且确定性
+- [ ] 手动全流程跑通一遍后才登记例程
+- [ ] 异常路径产出「待人工确认」而非猜测
+- [ ] 幂等性验证过（连跑两遍无重复副作用）

package/skills/okr-review/SKILL.md

@@ -0,0 +1,44 @@
+---
+name: okr-review
+description: 目标管理与职场复盘（OKR 制定与对齐、周报月报、季度述职、年终总结、晋升答辩材料）。当用户说"定 OKR/写周报/述职/年终总结/晋升材料"时使用。
+version: 1.0.0
+---
+
+# OKR 与述职（目标定得对，故事讲得实）
+
+## OKR 制定
+
+- **O（目标）**：定性鼓舞人心但边界清楚（"成为团队最信赖的数据服务"✓,"提升数据能力"✗太糊）;
+  每周期 2–4 个,超了=没有重点;
+- **KR（关键结果）**：结果不是动作——"上线 X 功能"是动作,"X 功能上线后使 Y 指标从 A→B"才是 KR;
+  每 O 配 2–4 条,全部可量化可验收,含基线值;设置野心档（0.7 分=达标线）;
+- **对齐检查**：每个 O 能说清支撑上级哪个目标;横向依赖点名（"依赖平台组 Q3 交付 Z"）;
+- 反模式扫描：KR 全是日常职责（那是 job description 不是 OKR）/ 数字无基线 / 互相冲突的 KR。
+
+## 周报（让读者 30 秒抓住重点）
+
+三段式：**进展**（对着目标说,带数字与对比:"完成 X 的 70%,较计划滞后 2 天,原因…"）→
+**风险与求助**（具体到"需要谁在何时给什么"）→ **下周计划**（≤5 条,可验收）。
+红线：不写流水账（"参加了 3 个会"无信息量）;坏消息不藏——周报里藏住的问题会在月报里爆炸。
+
+## 述职/年终总结（价值叙事结构）
+
+1. **开局定调**：一页讲清「本期最重要的 1–3 件事与结果」（评委记住的只有这页）;
+2. **每件事 STAR-I**：背景挑战（为什么难）→ 我的策略与取舍（**"我"的决策,不是团队流水**）→
+   结果（数字+对比锚:同比/目标/同业）→ Impact 延伸（沉淀了什么方法/带了什么人）;
+3. **不足与成长**：真实但可控（选已有改进动作的不足,别自爆无解硬伤）;
+4. **下期规划**：承接组织目标,给量化承诺。
+- 数据核对：所有数字与来源系统对得上——述职被当场问穿一个数,全篇信用清零;
+- 呈现：PPT 走 slides-html（数据页用 KPI 版式）,讲稿按 260 字/分钟配时。
+
+## 晋升答辩加强项
+
+对照职级标准逐条自证（把标准原文放左栏,证据放右栏）;跨级影响力证据（推动了本职外的什么）;
+预设评委挑战题（"这事没有你会怎样?"——回答要有反事实推理）。
+
+## 验收自查
+
+- [ ] KR 是结果且有基线;O 有上级对齐说明
+- [ ] 周报有数字对比与具体求助
+- [ ] 述职每件事有"我的决策"与对比锚;数字可溯源
+- [ ] 不足项带改进动作

package/skills/ops-fleet/SKILL.md

@@ -0,0 +1,69 @@
+---
+name: ops-fleet
+description: 批量主机运维链（非 K8s 存量主机世界:声明式配置管理与 inventory 分组→批量执行纪律(金丝雀→分批→失败即停,爆炸半径=单机×N)→补丁管理与重启编排→systemd 服务规范→SSH 凭证与堡垒机纪律→主机安全与监控基线→CMDB 最低配与无主机清理）。eng-ops 与 eng-infra 的主机运维孙链:管一群虚机/裸机、批量变更、打补丁、主机配置漂移、"这台机器是谁的"时载入。
+version: 1.0.0
+---
+
+# 批量主机运维链
+
+eng-ops 与 eng-infra 共同的孙链,管**非 K8s 的存量主机世界**(传统虚机/裸机/边缘节点——中国企业的现实主体);
+K8s 治理走 infra-k8s。心智基调:**批量操作的风险=单机风险×N,而且是同时爆**——一切批量动作按变更管理(eng-ops)。
+
+## 配置管理（声明式,主机版的 IaC）
+
+- ansible 思路为基线:声明式 playbook+**幂等**(重跑收敛到同一状态,不是重复执行动作)——脚本式批量(for+ssh)只许做只读采集,变更类一律声明式;
+- inventory 分组治理:按 环境×角色 打组与标签(web/db/跳板…),**inventory 即主机事实源之一**(与 CMDB 对账);
+- 配置漂移检测:声明态 vs 实际态周巡(eng-infra IaC 漂移的主机版)——手改过的机器要么回补代码要么标记豁免(有期限);
+- 密钥与变量:敏感变量走 vault 类加密(eng-infra 密钥四不),playbook 仓库化评审(eng-automation 脚本入库纪律)。
+
+## 批量执行纪律（本链核心,爆炸半径管理）
+
+1. **dry-run 先行**(check 模式/--diff 看将改什么);
+2. **金丝雀 1 台**→观察(业务指标不是"命令返回 0")→小批(5–10%)→全量;
+3. **失败即停阈值**:失败率 >__%(默认 5%)自动中止——批量工具必须支持 max-fail;
+4. 并发限制:并发数别打满跳板机/带宽/目标服务(滚动比例与业务容量对齐,eng-release 滚动同构);
+5. 高危命令四眼(eng-ops):删除/重启/改网络的 playbook 评审+双人执行;
+6. **全程留痕**:谁/何时/哪批主机/什么命令/输出归档(现场保全,quick-triage 同拍);
+7. 回滚预案:配置类变更保留上一版(备份文件/版本化),回滚 playbook 与正向同批评审。
+
+## 补丁管理
+
+漏洞补丁分批节奏:测试组→非核心→核心(eng-security 修复 SLA 与灰度的平衡:高危 7 天内完成全量=第 1 天就要开测试组);
+**内核补丁与重启编排**:业务排空(摘流→确认无流量→重启→健康检查→回流,eng-release 滚动的主机版)/重启批次与业务窗口(eng-ops 变更日历);
+离线环境补丁走 env-offline 摆渡(补丁包三点校验);
+补丁台账:主机×补丁状态可查(等保检查要,sec-compliance 证据)。
+
+## systemd 服务规范（散装 nohup 的终结者）
+
+单元文件基线:Restart=on-failure+RestartSec(拉起纪律)/资源限制(MemoryMax/CPUQuota,防单服务吃垮主机)/
+日志接 journald(统一采集出口,eng-observability)/依赖与顺序(After/Requires 显式);
+**禁 nohup/screen 跑常驻生产服务**(重启即失联,无人管的孤儿进程);
+开机自启清单治理:enable 的服务有台账(装过就忘的自启服务=攻击面+资源泄漏)。
+
+## SSH 与访问纪律
+
+堡垒机/跳板收口:生产 SSH 一律过堡垒机(审计留痕,eng-ops 操作留痕的基础设施);
+密钥治理:**按人发证禁共享 root 密钥**/定期轮换/离职即吊销(sec-auth 账号生命周期);
+sudo 最小化:按角色授权命令面,禁 NOPASSWD ALL 满天飞;
+authorized_keys 周巡(多出来的公钥=入侵痕迹或流程外操作,eng-security)。
+
+## 主机基线与监控
+
+初始化基线(新机进池前):安全基线(口令策略/防火墙/审计开启,sec-compliance 等保基线)+监控 agent+日志采集+NTP(ops-linux 时钟)+基础工具包(排障不裸奔,eng-infra 基线镜像的主机版)——**基线做成 playbook,新机一跑就齐**;
+监控覆盖:主机四大件(CPU/内存/磁盘/网络)+服务存活+磁盘水位预测(obs-prometheus node exporter 承接);
+基线漂移与合规扫描周期化(eng-automation 例程)。
+
+## CMDB 最低配（"这台机器是谁的"必须三秒能答）
+
+最低字段:主机名/IP/环境/角色/**Owner**/过保日期/等保范围标记;
+与 inventory 对账例程(两边不一致=有野机器);
+**无主机器季度清理**(eng-infra 僵尸资源):认领公示→无人认→隔离观察→下线;
+过保与续费台账联动采购(eng-ops 容量月报)。
+
+## 使用纪律
+
+变更类批量操作必过金丝雀与失败即停;playbook 入库评审;高危四眼;
+主机必有 Owner 与基线;每次批量事故回写:执行纪律参数(批次/阈值)与预案——
+**批量运维的成熟度=敢在周二下午打补丁,而不是只敢周日凌晨**。
+
+**作业包**:`scripts/batch-exec-guard.sh`(分批执行守卫:金丝雀→分批确认→失败即停→全程留痕,dry-run 先行——把执行纪律做成工具)。

package/skills/ops-fleet/scripts/batch-exec-guard.sh

@@ -0,0 +1,119 @@
+#!/bin/sh
+# 批量执行守卫（ops-fleet 批量纪律的可执行版):金丝雀→分批确认→失败即停→全程留痕。
+# 用法:
+#   sh batch-exec-guard.sh -h hosts.txt -c "uptime"                    # 交互式:金丝雀后逐批确认
+#   sh batch-exec-guard.sh -h hosts.txt -c "..." --dry-run             # 只显示将执行什么
+#   sh batch-exec-guard.sh -h hosts.txt -c "..." -b 10 -f 5 --yes      # 无人值守:批 10 台,失败率>5% 即停
+#   参数: -h 主机清单(每行一台,支持 user@host;# 注释) -c 命令 -b 批大小(默认 5) -f 失败率阈值%(默认 5)
+#         -t 单机超时秒(默认 30) -o 留痕目录(默认 /tmp) --dry-run 演习 --yes 免交互(失败即停仍生效)
+# 纪律内置: 第一批恒为 1 台(金丝雀);变更类命令先 --dry-run;高危命令四眼(本工具不替代评审,eng-ops)。
+HOSTS=""; CMD=""; BATCH=5; FAILPCT=5; TMOUT=30; OUT="/tmp"; DRY=0; YES=0
+while [ $# -gt 0 ]; do
+  case "$1" in
+    -h) HOSTS="$2"; shift 2;;
+    -c) CMD="$2"; shift 2;;
+    -b) BATCH="$2"; shift 2;;
+    -f) FAILPCT="$2"; shift 2;;
+    -t) TMOUT="$2"; shift 2;;
+    -o) OUT="$2"; shift 2;;
+    --dry-run) DRY=1; shift;;
+    --yes) YES=1; shift;;
+    *) echo "未知参数: $1"; exit 2;;
+  esac
+done
+[ -z "$HOSTS" ] || [ -z "$CMD" ] && { echo "用法: batch-exec-guard.sh -h hosts.txt -c '命令' [-b 批大小] [-f 失败率%] [--dry-run] [--yes]"; exit 2; }
+[ -r "$HOSTS" ] || { echo "[错误] 主机清单不可读: $HOSTS"; exit 2; }
+command -v ssh >/dev/null 2>&1 || { echo "[缺工具] 无 ssh"; exit 3; }
+
+TS=$(date '+%Y%m%d_%H%M%S')
+D="$OUT/batch_${TS}"
+mkdir -p "$D" || exit 2
+grep -vE '^\s*(#|$)' "$HOSTS" > "$D/hosts.txt"
+TOTAL=$(wc -l < "$D/hosts.txt" | tr -d ' ')
+[ "$TOTAL" -eq 0 ] && { echo "[错误] 清单为空"; exit 2; }
+{
+  echo "time: $TS"
+  echo "operator: $(whoami)@$(hostname 2>/dev/null)"
+  echo "hosts: $TOTAL"
+  echo "cmd: $CMD"
+  echo "batch: $BATCH fail_pct: $FAILPCT timeout: $TMOUT dry_run: $DRY"
+} > "$D/manifest.txt"
+
+echo "==== 批量执行守卫 ($TOTAL 台) ===="
+echo "命令: $CMD"
+echo "留痕: $D  (谁/何时/哪批/输出全归档,eng-ops 留痕纪律)"
+case "$CMD" in
+  *rm\ -rf*|*mkfs*|*reboot*|*shutdown*|*dd\ if=*)
+    echo "[高危] 命令含高危关键词 —— 确认已过四眼评审(eng-ops);--dry-run 先行"
+    ;;
+esac
+if [ "$DRY" = "1" ]; then
+  echo "---- DRY-RUN: 将按以下批次执行(未真正执行) ----"
+  echo "批 0(金丝雀 1 台): $(head -1 "$D/hosts.txt")"
+  echo "后续每批 $BATCH 台,共约 $(( (TOTAL - 1 + BATCH - 1) / BATCH )) 批;失败率>${FAILPCT}% 即停"
+  exit 0
+fi
+
+FAILED=0; DONE=0; BATCH_NO=0
+run_host() { # run_host <host> → 0/1;输出落 $D/<host>.log
+  hlog="$D/$(echo "$1" | tr '@/:' '___').log"
+  if command -v timeout >/dev/null 2>&1; then
+    timeout "$TMOUT" ssh -o BatchMode=yes -o ConnectTimeout=8 -o StrictHostKeyChecking=accept-new "$1" "$CMD" > "$hlog" 2>&1
+  else
+    ssh -o BatchMode=yes -o ConnectTimeout=8 -o StrictHostKeyChecking=accept-new "$1" "$CMD" > "$hlog" 2>&1
+  fi
+}
+confirm() { # confirm <提示> → 0 继续
+  [ "$YES" = "1" ] && return 0
+  printf "%s [y/N] " "$1"
+  read -r ans
+  [ "$ans" = "y" ] || [ "$ans" = "Y" ]
+}
+
+exec_batch() { # exec_batch <起始行> <台数>
+  BATCH_NO=$((BATCH_NO + 1))
+  BFAIL=0
+  echo "---- 批 $BATCH_NO ($2 台) $(date '+%H:%M:%S') ----" | tee -a "$D/manifest.txt"
+  sed -n "$1,$(( $1 + $2 - 1 ))p" "$D/hosts.txt" | while IFS= read -r h; do
+    if run_host "$h"; then
+      echo "  ✔ $h"
+    else
+      echo "  ✗ $h (退出码/超时,详见日志)"
+      echo "$h" >> "$D/failed.txt"
+    fi
+  done
+  DONE=$((DONE + $2))
+  [ -f "$D/failed.txt" ] && BFAIL=$(wc -l < "$D/failed.txt" | tr -d ' ') && FAILED=$BFAIL
+  PCT=$(( FAILED * 100 / (DONE > 0 ? DONE : 1) ))
+  echo "  进度 $DONE/$TOTAL,累计失败 $FAILED (${PCT}%)"
+  if [ "$PCT" -gt "$FAILPCT" ] && [ "$DONE" -ge 2 ]; then
+    echo "==== [中止] 失败率 ${PCT}% > 阈值 ${FAILPCT}% —— 停止推进,查 $D/failed.txt 与各机日志 ===="
+    echo "aborted at batch $BATCH_NO, failed=$FAILED/$DONE" >> "$D/manifest.txt"
+    exit 1
+  fi
+}
+
+# 金丝雀(恒 1 台)
+exec_batch 1 1 || exit 1
+if [ "$FAILED" -gt 0 ]; then
+  echo "==== [金丝雀失败] 第一台就失败 —— 默认中止(查日志修完再来) ===="
+  [ "$YES" = "1" ] && exit 1
+  confirm "金丝雀失败仍要继续?(通常应该中止)" || { echo "已中止;留痕 $D"; exit 1; }
+else
+  echo "金丝雀完成 —— **观察业务指标**(不是命令返回 0 就算好)再继续。"
+fi
+confirm "继续下一批($BATCH 台)?" || { echo "操作者中止;留痕已存 $D"; exit 1; }
+
+LINE=2
+while [ "$LINE" -le "$TOTAL" ]; do
+  N=$BATCH
+  [ $(( LINE + N - 1 )) -gt "$TOTAL" ] && N=$(( TOTAL - LINE + 1 ))
+  exec_batch "$LINE" "$N" || exit 1
+  LINE=$(( LINE + N ))
+  if [ "$LINE" -le "$TOTAL" ]; then
+    confirm "继续下一批?" || { echo "操作者中止;留痕已存 $D"; exit 1; }
+  fi
+done
+echo "==== 全部完成: $DONE 台,失败 $FAILED;留痕 $D ===="
+[ "$FAILED" -gt 0 ] && { echo "失败清单: $D/failed.txt(逐台补齐或回滚)"; exit 1; }
+exit 0

package/skills/ops-linux/SKILL.md

@@ -0,0 +1,69 @@
+---
+name: ops-linux
+description: Linux 系统排障链（总动线先全局后进程→CPU 决策树(us/sy/wa/si/load 与 D 状态)→内存决策树(available/OOM killer/cgroup 容器假象)→IO 决策树(util/await/磁盘满四查)→网络决策树(TIME_WAIT/CLOSE_WAIT/丢包定位/tcpdump 判读/DNS 分层)→句柄与 ulimit→时钟漂移→容器内排障特供→工具代价红线）。eng-ops 的系统排障孙链:服务器卡了、load 高、磁盘满、连接异常、容器内没工具时载入。
+version: 1.0.0
+---
+
+# Linux 系统排障链
+
+eng-ops 的系统排障孙链。应用层画像走各 dev-* 语言链,本链管**系统层**:资源视角(USE 法,eng-performance)把"机器不对劲"变成可执行的决策树。
+总动线:**先全局后进程**——top/vmstat 一眼定资源类型(CPU/内存/IO/网络)→对应决策树钻到进程→交语言链画像。
+
+## CPU 决策树（top/vmstat 判型）
+
+- **us 高**(用户态):应用热点→定位进程(top)→线程(top -H)→栈(各语言链:arthas/py-spy/pprof/perf);
+- **sy 高**(内核态):系统调用风暴(strace -c 统计哪类调用)/上下文切换爆(vmstat cs 列,10 万级+→线程数过多或锁颠簸)/自旋;
+- **wa 高**(IO 等待):CPU 在等盘,转 IO 决策树——wa 高≠CPU 不够,加核无用;
+- **si 高**(软中断):网络包量大(小包风暴/网卡中断单核打满看 /proc/interrupts,RPS/多队列分摊);
+- **load 高但 CPU 使用率低**:D 状态进程堆积(不可中断睡眠=在等 IO/NFS/内核锁,`ps -eo stat | grep D` 数一数)——load 计入 D 态,这是"load 爆表 CPU 空闲"的标准答案;
+- 隐蔽项:steal 高(虚机被宿主抢,找云厂商)/单核打满其余空闲(单线程瓶颈或中断绑核)。
+
+## 内存决策树
+
+- free 读法:**看 available 不看 free**(buff/cache 可回收,"内存快满了"九成是虚惊);真紧张信号:available 低+si/so 换页(vmstat)+kswapd 高 CPU;
+- **OOM killer 判读**:`dmesg -T | grep -i oom`——谁被杀(oom_score 高者)/当时各进程占用快照;被杀≠元凶(常是大户被杀,小户泄漏);容器内 OOMKilled 看 K8s 事件(exit 137,infra-k8s 决策树);
+- 泄漏定位:RSS 趋势监控(斜率>0)→语言链堆分析(dev-java MAT/dev-node heapsnapshot/dev-go pprof);区分 RSS 涨与堆涨(堆稳 RSS 涨=堆外/glibc 碎片,malloc_trim/换分配器判据);
+- **cgroup 假象**:容器内 free/top 显示宿主内存——真实限额与用量看 cgroup 统计(v2: memory.current/memory.max)——容器内"内存还很多"是最常见误判;
+- swap 判据:生产在线服务默认关或 swappiness 调低(延迟毛刺来源);有 swap 的机器看 si/so 不看 swap 占用存量。
+
+## IO 决策树
+
+- iostat -x 两列定性:**%util 饱和度+await 延迟**(await 远超设备正常值:SSD 亚毫秒/云盘个位毫秒=盘或链路病了);
+- iotop/pidstat -d 定位进程;常见元凶:日志狂写(降级采样,eng-observability 成本节)/大查询临时文件(db 链)/备份任务撞高峰(错峰);
+- **磁盘满四查**(df 100% 时按序):`du` 找大目录 vs `df` 不一致=**已删除未释放**(进程还握着句柄:`lsof +L1`,重启或 truncate 持有进程日志)/inode 满(`df -i`,海量小文件)/日志暴涨(找当天大文件)/挂载点遮蔽(挂载前写进了底层目录);判满先排噪声:**loop/squashfs(snap)与只读系统卷恒 100% 是常态**,不是磁盘满(实战回写 2026-07);
+- fio 基准判据:怀疑盘性能时用与业务同 pattern 测(随机 4k vs 顺序大块),拿数字找云厂商;
+- 文件系统只读(错误后自动 remount ro)=先查 dmesg 硬件/存储层。
+
+## 网络决策树
+
+- **连接状态统计先行**:`ss -s` + `ss -tan state xxx | wc -l`——TIME_WAIT 堆积(主动关闭方正常现象,数万级影响端口:复用参数/长连接化)/**CLOSE_WAIT 堆积=代码没关连接**(对端已关我方不关,查泄漏代码,dev-node/dev-java 连接池);
+- 丢包定位分层:`netstat -s` 重传统计(TCP 层)→ping 丢包率+mtr 逐跳(网络路径)→网卡 drop(`ip -s link`,ring buffer/中断)→conntrack 满(`nf_conntrack: table full` 日志=大量丢连接,调表或关跟踪,infra-k8s 同坑);
+- **tcpdump 判读基础**:三次握手形态(SYN 无回=防火墙/服务没监听;SYN+ACK 后无 ACK=客户端路径问题)/RST 来源(谁发的 RST 谁在拒:连接拒绝 vs 中途重置)/抓包姿势(`-w` 落盘拿 wireshark 看,过滤精确到五元组,**生产抓包限时限量**);
+- DNS 分层排查:`nslookup 域名 指定DNS` 分离"本机配置错"与"DNS 服务错";resolv.conf/nsswitch 顺序;容器内 ndots 坑(infra-k8s);DNS 慢=常被忽略的"接口偶发慢"元凶(超时重试 5s 特征值);
+- 带宽与队列:iftop/nload 定流量大户;tc 限速与 qdisc 丢包判据。
+
+## 句柄、限制与杂项
+
+句柄耗尽症状:Too many open files——`ulimit -n`(进程级,systemd 服务看 LimitNOFILE)+`lsof -p` 谁吃的(泄漏 vs 真需求调限);
+线程/进程数限制(pids cgroup/ulimit -u):fork 失败先查这;
+**时钟漂移**:证书校验失败/分布式凭证失效/日志时间穿越=先查 NTP(chrony 状态与偏移量)——时钟是隐形基础设施(arch-distributed 时钟不可信的运维面);
+僵尸进程(Z 态):无害但堆积=父进程不收尸的 bug;
+系统日志三看:dmesg(内核:OOM/硬件/网络驱动)/journalctl -u 服务/auth 日志(异常登录,eng-security)。
+
+## 容器内排障特供
+
+容器内工具缺:**ephemeral debug 容器**(kubectl debug 挂诊断镜像进同命名空间,infra-k8s)/宿主 `nsenter -t <pid> -n` 进目标网络命名空间用宿主工具;
+容器视角三校正:内存看 cgroup(见上)/CPU 配额节流看 cpu.stat 的 throttled(限流了 top 却不显)/进程号命名空间(容器内 PID≠宿主 PID,宿主排障先 `ps` 映射);
+镜像瘦身与排障的和解:基线镜像带最小诊断集或统一 debug 镜像(eng-infra 镜像节)。
+
+## 工具代价红线（生产用前看）
+
+strace 停走目标进程(高频调用进程上=雪上加霜,限时/用 -c 统计模式/优先 perf trace);
+tcpdump 高流量下 CPU 与丢包代价(精确过滤+限时限量);
+perf 采样相对安全但落盘大;**一切诊断动作先估代价再上,且留痕**(eng-ops 操作留痕;P1 现场优先快照采集:栈/关键 /proc 文件打包,先保全后分析)。
+
+## 使用纪律
+
+排障从监控图定资源类型再上机(有图不瞎摸,eng-observability);一次一变量(eng-performance);
+诊断命令与结论写进事件时间线(eng-ops);**一键体检作业包**:`scripts/quick-triage.sh`(只读采集四棵决策树关键数据+红黄灯初判,`-o 目录` 打现场保全包;工具缺失自动降级)——事件响应第一分钟先跑它;
+每次系统层事故回写决策树分支——**决策树的每个叶子都是前人熬的夜**。