@luanpdd/kit-mcp 1.35.0 → 1.36.0

package/kit/skills/four-golden-signals/SKILL.md

@@ -1,314 +1,314 @@
----
-name: four-golden-signals
-description: Use ao instrumentar serviço user-facing — Latency + Traffic + Errors + Saturation, percentis (não mean), histogram exponencial, latência success vs error separadas.
----
-
-# SRE — Four Golden Signals
-
-## Quando usar
-
-LLM carrega esta skill ao instrumentar Edge Function/serviço/microservice user-facing. Trigger phrases:
-
-- "golden signals", "4 sinais dourados"
-- "latency, traffic, errors, saturation"
-- "instrumentar serviço", "métricas mínimas"
-- "p99 latency", "percentis vs mean"
-- "black-box vs white-box monitoring"
-- "Google SRE cap 6"
-- "Latency success vs error"
-
-## Regras absolutas
-
-- **4 sinais são universais para serviço user-facing** — Latency + Traffic + Errors + Saturation. Se mede esses 4, captura ~95% da saúde operacional. Outros sinais (CPU, memória, disco I/O) são **causas potenciais**, não sintomas — vão em white-box monitoring secundário.
-- **Latency success vs error sempre separadas** — falhas rápidas (HTTP 500 em 5ms) mascaram latência ruim de successes se misturadas. Sempre `histogram(duration_ms, {result: 'success'})` e `histogram(duration_ms, {result: 'error'})` em séries distintas.
-- **NUNCA mean para latency** — long tail invisível: mean=50ms mas p99=5000ms é UX ruim para 1% dos usuários (tipicamente os mais valiosos: enterprise tier). SEMPRE histogram com percentis.
-- **Histogram com bucketing exponencial** — buckets `[1, 2, 5, 10, 25, 50, 100, 250, 500, 1000, 2500, 5000, 10000, 30000]` ms ou base 1.5/2. Captura long tail sem cardinality explosion.
-- **Errors counter por error.type (não message)** — `error.type` enumerado (5-15 valores: `timeout`, `validation`, `auth`, `rate_limit`, `db`, `provider_down`, ...). `error.message` é alta cardinalidade — não usar como dimension.
-- **Saturation é resource-specific** — não existe métrica genérica de saturação. Para HTTP service: connection pool used %. Para DB: tablespace used %. Para queue: queue depth. Para CPU-bound: load average. Identificar O recurso mais escasso ANTES de instrumentar.
-- **Black-box monitora UX, white-box monitora internals** — black-box (synthetic prober HTTP) detecta "site offline" mesmo se métricas internas estão verdes (corner case clássico). White-box (golden signals) explica "porquê" quando black-box dispara.
-- **Reportar p50, p95, p99, p99.9 — não só p99** — p50 (mediana) é UX típica; p95 é primeiro deslize; p99 é cauda; p99.9 é seu 1 em 1000 que é seu cliente enterprise. Cada percentil conta uma história diferente.
-
-## Patterns canônicos
-
-### Pattern: definição canônica dos 4 signals (tabela)
-
-| Signal | Definição | Tipo de instrument | Granularity recomendada |
-|---|---|---|---|
-| **Latency** | Tempo de request bem-sucedido vs falho — SEPARADO | Histogram (ms) com bucketing exponencial | Por endpoint × `result` (success/error) |
-| **Traffic** | Volume de demanda — requests/s, msgs/s, bytes/s | Counter | Por endpoint × method |
-| **Errors** | Taxa de requests que falharam (explícitas: 5xx; implícitas: 200 com payload errado; políticas: > SLO target) | Counter | Por endpoint × `error.type` |
-| **Saturation** | "Quão cheio" o serviço está — % do recurso mais escasso | ObservableGauge (%) | Por resource (connection pool, queue, CPU) |
-
-### Pattern: instrumentação canônica em OTel SDK (TypeScript/Deno)
-
-```ts
-// PT-BR: 4 golden signals em Edge Function — copiar este shape
-import { trace, metrics } from '@opentelemetry/api'
-
-const tracer = trace.getTracer('orders-service')
-const meter = metrics.getMeter('orders-service')
-
-// PT-BR: 1. LATENCY — histogram bucketed exponencial
-const latencyHistogram = meter.createHistogram('http_request_duration_ms', {
-  description: 'Request latency in ms — split by result',
-  unit: 'ms',
-  advice: { explicitBucketBoundaries: [1, 2, 5, 10, 25, 50, 100, 250, 500, 1000, 2500, 5000, 10000, 30000] }
-})
-
-// PT-BR: 2. TRAFFIC — counter de requests recebidos
-const trafficCounter = meter.createCounter('http_requests_total', {
-  description: 'Total HTTP requests received'
-})
-
-// PT-BR: 3. ERRORS — counter por error.type (categoria, não message)
-const errorsCounter = meter.createCounter('http_errors_total', {
-  description: 'Total HTTP errors by error.type'
-})
-
-// PT-BR: 4. SATURATION — gauge do recurso mais escasso
-const saturationGauge = meter.createObservableGauge('db_connection_pool_used_pct', {
-  description: 'DB connection pool utilization %',
-  unit: '%'
-})
-saturationGauge.addCallback((result) => {
-  // PT-BR: callback executado em scrape — lê estado atual do pool
-  result.observe(getConnectionPoolUsedPct(), { resource: 'db_pool', service: 'orders' })
-})
-
-export async function placeOrder(req: Request) {
-  const startMs = performance.now()
-  const dims = { endpoint: '/api/v1/orders', method: 'POST' }
-
-  // PT-BR: 2. Traffic — incrementar antes de processar
-  trafficCounter.add(1, dims)
-
-  return tracer.startActiveSpan('place_order', async (span) => {
-    try {
-      const order = await db.insertOrder(req.body)
-      // PT-BR: 1. Latency success — só após success confirmar
-      const durationMs = performance.now() - startMs
-      latencyHistogram.record(durationMs, { ...dims, result: 'success' })
-      return order
-    } catch (e) {
-      // PT-BR: 1. Latency error — separada da success
-      const durationMs = performance.now() - startMs
-      latencyHistogram.record(durationMs, { ...dims, result: 'error' })
-      // PT-BR: 3. Errors — counter por error.type (enum baixa cardinalidade)
-      errorsCounter.add(1, { ...dims, error_type: classify(e) })
-      throw e
-    } finally {
-      span.end()
-    }
-  })
-}
-
-// PT-BR: classifier — enum estável de 5-15 valores
-function classify(e: unknown): string {
-  if (e instanceof TimeoutError) return 'timeout'
-  if (e instanceof ValidationError) return 'validation'
-  if (e instanceof AuthError) return 'auth'
-  if (e instanceof RateLimitError) return 'rate_limit'
-  if (e instanceof DbError) return 'db'
-  return 'unknown'
-}
-```
-
-### Pattern: queries SQL para 4 signals em 1 dashboard
-
-```sql
--- PT-BR: dashboard único — 4 golden signals últimos 60 minutos, por minuto
-select
-  date_trunc('minute', timestamp) as minute,
-  -- Traffic
-  count(*) as traffic_rpm,
-  -- Errors (por error.type)
-  count(*) filter (where result_success = false) as errors_total,
-  count(*) filter (where error_type = 'timeout') as errors_timeout,
-  count(*) filter (where error_type = 'rate_limit') as errors_rate_limit,
-  count(*) filter (where error_type = 'db') as errors_db,
-  -- Latency p50/p95/p99 — APENAS success
-  percentile_cont(0.50) within group (order by duration_ms)
-    filter (where result_success = true) as latency_p50_success,
-  percentile_cont(0.95) within group (order by duration_ms)
-    filter (where result_success = true) as latency_p95_success,
-  percentile_cont(0.99) within group (order by duration_ms)
-    filter (where result_success = true) as latency_p99_success,
-  -- Latency p99 — APENAS error (visibilidade de error path lentidão)
-  percentile_cont(0.99) within group (order by duration_ms)
-    filter (where result_success = false) as latency_p99_error,
-  -- Saturation (gauge max no minuto)
-  max(connection_pool_used_pct) as saturation_pool_max
-from observability.events
-where service = 'orders-api' and timestamp > now() - interval '60 minutes'
-group by minute
-order by minute desc;
-```
-
-### Pattern: black-box probe complementar (synthetic check)
-
-```ts
-// PT-BR: black-box monitoring — chamar serviço como cliente externo
-// Roda em CI ou serviço external (uptimerobot, datadog synthetics)
-async function blackBoxProbe(): Promise<{ ok: boolean; durationMs: number }> {
-  const startMs = Date.now()
-  const r = await fetch('https://api.example.com/api/v1/orders/probe', {
-    method: 'POST',
-    body: JSON.stringify({ probe: true, sku: 'TEST-001' }),
-    headers: { 'X-Probe': 'true' }
-  })
-  const durationMs = Date.now() - startMs
-  // PT-BR: validar resposta — não basta status 200
-  const body = await r.json()
-  const ok = r.status === 200 && body.order_id != null && durationMs < 1000
-  return { ok, durationMs }
-}
-
-// PT-BR: rodar a cada 30s; alerta se 3 consecutivos falham (debounce contra flake)
-```
-
-### Pattern: saturation por tipo de serviço
-
-| Tipo de serviço | Recurso mais escasso | Métrica de saturation |
-|---|---|---|
-| HTTP API stateless | Connection pool DB | `db_connection_pool_used_pct` |
-| API com cache | Memory do cache | `cache_memory_used_pct` |
-| Worker async | Queue depth | `queue_depth_messages` |
-| Edge Function | Concurrency limit Deno | `concurrent_executions_pct` |
-| DB | Tablespace ou WAL | `disk_used_pct`, `wal_lag_bytes` |
-| CPU-bound (encoder, ML) | Load average | `cpu_load_avg_5min` |
-| Network egress | Bandwidth | `egress_bytes_per_sec_pct` |
-
-## Anti-patterns
-
-### ANTI: mean latency
-
-```text
-ANTI: alerta/dashboard com avg(duration_ms) — long tail invisível.
-
-PROBLEMA: mean=50ms mas p99=5000ms = UX ruim invisível; cliente enterprise
-          (no p99) sofre sem nunca disparar alerta. Mean é puxado para baixo
-          por mass de requests rápidos; sinaliza "tudo ok" enquanto 1% dos
-          users espera 5s.
-
-CERTO: histogram com percentile_cont(0.99); alertar em p99 > target.
-       Reportar p50/p95/p99/p99.9 para ver formato da distribuição.
-```
-
-### ANTI: latência success+error misturadas
-
-```text
-ANTI: histogram(duration_ms) sem dimension result.
-
-PROBLEMA: falhas rápidas (HTTP 500 em 5ms quando timeout dispara cedo)
-          puxam mean/percentis para baixo; mascaram lentidão real de
-          requests bem-sucedidos. Dashboard mostra "p99=80ms" mas
-          successes reais são 800ms.
-
-CERTO: dimension {result: 'success'} vs {result: 'error'} SEMPRE separadas
-       em séries distintas. SLI/SLO computado APENAS sobre success path.
-```
-
-### ANTI: Errors com error.message como dimension
-
-```text
-ANTI: errorsCounter.add(1, { error_message: e.message })
-
-PROBLEMA: cada mensagem única é uma série temporal; cardinality explosion
-          (1M+ séries em horas se message contém timestamps/IDs/random);
-          time-series DB OOMs ou throttles; queries lentas/impossíveis;
-          custo de armazenamento explode.
-
-CERTO: enum error.type com 5-15 valores fixos (timeout, validation, auth,
-       rate_limit, db, provider_down, unknown); error.message em
-       log/span attribute (não métrica) para debug pontual.
-```
-
-### ANTI: monitoring causes não symptoms
-
-```text
-ANTI: alertar em "CPU > 80% / memory < 10% / threads > N"
-
-PROBLEMA: mistura "what" (sintoma user-facing) com "why" (causa interna);
-          falsos positivos (cron job legítimo dispara CPU);
-          falsos negativos (sistema lento sem CPU alta — saturação em
-          connection pool ou rede); on-call paginado por nada e
-          incidents reais passam silenciosos.
-
-CERTO: alertar em SLO burn rate sobre os 4 signals (event-based,
-       customer-impacting); usar CPU/memory como debug context em
-       white-box monitoring, não como alert source.
-```
-
-### ANTI: saturation genérica
-
-```text
-ANTI: copiar pattern de saturation de outro serviço sem identificar o
-      gargalo real.
-
-PROBLEMA: mede CPU em serviço onde gargalo é connection pool; mede memory
-          em serviço CPU-bound; saturation alerta nunca dispara antes do
-          incident; quando incident acontece, dashboard mostra "saturação
-          OK" e ninguém sabe explicar por quê.
-
-CERTO: identificar EXPLICITAMENTE o recurso mais escasso (DB pool? queue
-       depth? Deno concurrency? tablespace?) ANTES de instrumentar (ver
-       Pattern: saturation por tipo de serviço). Cada serviço tem 1 ou 2
-       gargalos reais — instrumentar esses, não copiar template.
-```
-
-### ANTI: black-box only (sem white-box)
-
-```text
-ANTI: só prober externo (synthetic check), sem instrumentação interna.
-
-PROBLEMA: sabe que "site offline" mas não sabe porquê; debug requer SSH
-          em prod / log dive sem instrumentation; MTTR cresce horas;
-          incidents repetem porque root cause nunca foi capturada.
-
-CERTO: black-box detecta UX impact (cliente real não consegue) + white-box
-       (4 signals) explica root cause. Os dois juntos: black-box dispara,
-       white-box mostra qual signal degradou (latency? errors? saturation?)
-       e em qual endpoint.
-```
-
-## Verificação
-
-Antes de marcar instrumentação como production-ready, validar:
-
-1. **Os 4 signals presentes** — Latency (histogram), Traffic (counter), Errors (counter por error.type), Saturation (gauge resource-specific)
-2. **Latency separada** — `result: 'success'` e `result: 'error'` em séries distintas
-3. **Histogram com bucketing exponencial** — não fixed buckets lineares
-4. **error.type é enum (5-15 valores)** — não `error.message` como dimension
-5. **Saturation tem o recurso certo identificado** — connection pool? queue depth? concurrency? CPU load?
-6. **Black-box probe complementar** — synthetic check do happy path principal a cada 30s
-7. **Dashboard de 4 signals** existe e é o **primeiro** lugar de debug em incident
-
-## Saturation as cascading failure trigger (v1.11)
-
-**Saturation > threshold é early warning de cascading failure** (cap 22). Quando ainda há tempo para load shedding manter SLO; quando hit 100%, já está em cascade. Threshold tuning canônico:
-
-| Recurso | Warning | Critical | Ação automática |
-|---|---|---|---|
-| **CPU load** | > 70% | > 90% | Load shed; scale up |
-| **Memory used** | > 80% | > 95% | Load shed; OOM protection |
-| **Queue depth (pgmq)** | > 70% capacity | > 90% capacity | Drop oldest; scale consumers |
-| **Connection pool (DB)** | > 70% used | > 90% used | Throttle slow queries; scale pool |
-| **Concurrency limit** | > 80% inflight | > 95% inflight | Reject new (503 + Retry-After) |
-| **File descriptors** | > 70% ulimit | > 90% ulimit | Close idle conns; scale up |
-
-**Resposta canônica:** quando saturation > Critical, server-side ativa load shedding (skill `load-shedding-graceful-degradation` v1.11) — retorna 503 + Retry-After ANTES de aceitar request que vai falhar. Coopera com caller-side defesas (skill `retry-strategies` v1.11 — full jitter respeita Retry-After).
-
-Cross-ref: `cascading-failures` (v1.11) detalha 5 triggers; `cascading-failures-auditor` (v1.11) detecta gaps em código.
-
-## Ver também
-
-- [`_shared-sre/glossary.md`](../_shared-sre/glossary.md) — termos canônicos golden signals, black-box, white-box, percentile
-- [`opentelemetry-standard`](../opentelemetry-standard/SKILL.md) (v1.9) — OTel SDK base, exporter, OTLP
-- [`structured-events`](../structured-events/SKILL.md) (v1.9) — wide events que alimentam SLI de Errors
-- [`event-based-slos`](../event-based-slos/SKILL.md) (v1.9) — SLO sobre Errors+Latency forma SLI canônico
-- [`burn-rate-alerting`](../burn-rate-alerting/SKILL.md) (v1.9) — alertar em SLO burn-rate, não em CPU
-- [`production-readiness-review`](../production-readiness-review/SKILL.md) — PRR axis "Instrumentation" exige 4 signals
-
----
-
-*Material-fonte: Site Reliability Engineering — Beyer, Jones, Petoff, Murphy (Google/O'Reilly, 2016) — Cap 6: "Monitoring Distributed Systems" (Four Golden Signals).*
+---
+name: four-golden-signals
+description: Use ao instrumentar serviço user-facing — Latency + Traffic + Errors + Saturation, percentis (não mean), histogram exponencial, latência success vs error separadas.
+---
+
+# SRE — Four Golden Signals
+
+## Quando usar
+
+LLM carrega esta skill ao instrumentar Edge Function/serviço/microservice user-facing. Trigger phrases:
+
+- "golden signals", "4 sinais dourados"
+- "latency, traffic, errors, saturation"
+- "instrumentar serviço", "métricas mínimas"
+- "p99 latency", "percentis vs mean"
+- "black-box vs white-box monitoring"
+- "Google SRE cap 6"
+- "Latency success vs error"
+
+## Regras absolutas
+
+- **4 sinais são universais para serviço user-facing** — Latency + Traffic + Errors + Saturation. Se mede esses 4, captura ~95% da saúde operacional. Outros sinais (CPU, memória, disco I/O) são **causas potenciais**, não sintomas — vão em white-box monitoring secundário.
+- **Latency success vs error sempre separadas** — falhas rápidas (HTTP 500 em 5ms) mascaram latência ruim de successes se misturadas. Sempre `histogram(duration_ms, {result: 'success'})` e `histogram(duration_ms, {result: 'error'})` em séries distintas.
+- **NUNCA mean para latency** — long tail invisível: mean=50ms mas p99=5000ms é UX ruim para 1% dos usuários (tipicamente os mais valiosos: enterprise tier). SEMPRE histogram com percentis.
+- **Histogram com bucketing exponencial** — buckets `[1, 2, 5, 10, 25, 50, 100, 250, 500, 1000, 2500, 5000, 10000, 30000]` ms ou base 1.5/2. Captura long tail sem cardinality explosion.
+- **Errors counter por error.type (não message)** — `error.type` enumerado (5-15 valores: `timeout`, `validation`, `auth`, `rate_limit`, `db`, `provider_down`, ...). `error.message` é alta cardinalidade — não usar como dimension.
+- **Saturation é resource-specific** — não existe métrica genérica de saturação. Para HTTP service: connection pool used %. Para DB: tablespace used %. Para queue: queue depth. Para CPU-bound: load average. Identificar O recurso mais escasso ANTES de instrumentar.
+- **Black-box monitora UX, white-box monitora internals** — black-box (synthetic prober HTTP) detecta "site offline" mesmo se métricas internas estão verdes (corner case clássico). White-box (golden signals) explica "porquê" quando black-box dispara.
+- **Reportar p50, p95, p99, p99.9 — não só p99** — p50 (mediana) é UX típica; p95 é primeiro deslize; p99 é cauda; p99.9 é seu 1 em 1000 que é seu cliente enterprise. Cada percentil conta uma história diferente.
+
+## Patterns canônicos
+
+### Pattern: definição canônica dos 4 signals (tabela)
+
+| Signal | Definição | Tipo de instrument | Granularity recomendada |
+|---|---|---|---|
+| **Latency** | Tempo de request bem-sucedido vs falho — SEPARADO | Histogram (ms) com bucketing exponencial | Por endpoint × `result` (success/error) |
+| **Traffic** | Volume de demanda — requests/s, msgs/s, bytes/s | Counter | Por endpoint × method |
+| **Errors** | Taxa de requests que falharam (explícitas: 5xx; implícitas: 200 com payload errado; políticas: > SLO target) | Counter | Por endpoint × `error.type` |
+| **Saturation** | "Quão cheio" o serviço está — % do recurso mais escasso | ObservableGauge (%) | Por resource (connection pool, queue, CPU) |
+
+### Pattern: instrumentação canônica em OTel SDK (TypeScript/Deno)
+
+```ts
+// PT-BR: 4 golden signals em Edge Function — copiar este shape
+import { trace, metrics } from '@opentelemetry/api'
+
+const tracer = trace.getTracer('orders-service')
+const meter = metrics.getMeter('orders-service')
+
+// PT-BR: 1. LATENCY — histogram bucketed exponencial
+const latencyHistogram = meter.createHistogram('http_request_duration_ms', {
+  description: 'Request latency in ms — split by result',
+  unit: 'ms',
+  advice: { explicitBucketBoundaries: [1, 2, 5, 10, 25, 50, 100, 250, 500, 1000, 2500, 5000, 10000, 30000] }
+})
+
+// PT-BR: 2. TRAFFIC — counter de requests recebidos
+const trafficCounter = meter.createCounter('http_requests_total', {
+  description: 'Total HTTP requests received'
+})
+
+// PT-BR: 3. ERRORS — counter por error.type (categoria, não message)
+const errorsCounter = meter.createCounter('http_errors_total', {
+  description: 'Total HTTP errors by error.type'
+})
+
+// PT-BR: 4. SATURATION — gauge do recurso mais escasso
+const saturationGauge = meter.createObservableGauge('db_connection_pool_used_pct', {
+  description: 'DB connection pool utilization %',
+  unit: '%'
+})
+saturationGauge.addCallback((result) => {
+  // PT-BR: callback executado em scrape — lê estado atual do pool
+  result.observe(getConnectionPoolUsedPct(), { resource: 'db_pool', service: 'orders' })
+})
+
+export async function placeOrder(req: Request) {
+  const startMs = performance.now()
+  const dims = { endpoint: '/api/v1/orders', method: 'POST' }
+
+  // PT-BR: 2. Traffic — incrementar antes de processar
+  trafficCounter.add(1, dims)
+
+  return tracer.startActiveSpan('place_order', async (span) => {
+    try {
+      const order = await db.insertOrder(req.body)
+      // PT-BR: 1. Latency success — só após success confirmar
+      const durationMs = performance.now() - startMs
+      latencyHistogram.record(durationMs, { ...dims, result: 'success' })
+      return order
+    } catch (e) {
+      // PT-BR: 1. Latency error — separada da success
+      const durationMs = performance.now() - startMs
+      latencyHistogram.record(durationMs, { ...dims, result: 'error' })
+      // PT-BR: 3. Errors — counter por error.type (enum baixa cardinalidade)
+      errorsCounter.add(1, { ...dims, error_type: classify(e) })
+      throw e
+    } finally {
+      span.end()
+    }
+  })
+}
+
+// PT-BR: classifier — enum estável de 5-15 valores
+function classify(e: unknown): string {
+  if (e instanceof TimeoutError) return 'timeout'
+  if (e instanceof ValidationError) return 'validation'
+  if (e instanceof AuthError) return 'auth'
+  if (e instanceof RateLimitError) return 'rate_limit'
+  if (e instanceof DbError) return 'db'
+  return 'unknown'
+}
+```
+
+### Pattern: queries SQL para 4 signals em 1 dashboard
+
+```sql
+-- PT-BR: dashboard único — 4 golden signals últimos 60 minutos, por minuto
+select
+  date_trunc('minute', timestamp) as minute,
+  -- Traffic
+  count(*) as traffic_rpm,
+  -- Errors (por error.type)
+  count(*) filter (where result_success = false) as errors_total,
+  count(*) filter (where error_type = 'timeout') as errors_timeout,
+  count(*) filter (where error_type = 'rate_limit') as errors_rate_limit,
+  count(*) filter (where error_type = 'db') as errors_db,
+  -- Latency p50/p95/p99 — APENAS success
+  percentile_cont(0.50) within group (order by duration_ms)
+    filter (where result_success = true) as latency_p50_success,
+  percentile_cont(0.95) within group (order by duration_ms)
+    filter (where result_success = true) as latency_p95_success,
+  percentile_cont(0.99) within group (order by duration_ms)
+    filter (where result_success = true) as latency_p99_success,
+  -- Latency p99 — APENAS error (visibilidade de error path lentidão)
+  percentile_cont(0.99) within group (order by duration_ms)
+    filter (where result_success = false) as latency_p99_error,
+  -- Saturation (gauge max no minuto)
+  max(connection_pool_used_pct) as saturation_pool_max
+from observability.events
+where service = 'orders-api' and timestamp > now() - interval '60 minutes'
+group by minute
+order by minute desc;
+```
+
+### Pattern: black-box probe complementar (synthetic check)
+
+```ts
+// PT-BR: black-box monitoring — chamar serviço como cliente externo
+// Roda em CI ou serviço external (uptimerobot, datadog synthetics)
+async function blackBoxProbe(): Promise<{ ok: boolean; durationMs: number }> {
+  const startMs = Date.now()
+  const r = await fetch('https://api.example.com/api/v1/orders/probe', {
+    method: 'POST',
+    body: JSON.stringify({ probe: true, sku: 'TEST-001' }),
+    headers: { 'X-Probe': 'true' }
+  })
+  const durationMs = Date.now() - startMs
+  // PT-BR: validar resposta — não basta status 200
+  const body = await r.json()
+  const ok = r.status === 200 && body.order_id != null && durationMs < 1000
+  return { ok, durationMs }
+}
+
+// PT-BR: rodar a cada 30s; alerta se 3 consecutivos falham (debounce contra flake)
+```
+
+### Pattern: saturation por tipo de serviço
+
+| Tipo de serviço | Recurso mais escasso | Métrica de saturation |
+|---|---|---|
+| HTTP API stateless | Connection pool DB | `db_connection_pool_used_pct` |
+| API com cache | Memory do cache | `cache_memory_used_pct` |
+| Worker async | Queue depth | `queue_depth_messages` |
+| Edge Function | Concurrency limit Deno | `concurrent_executions_pct` |
+| DB | Tablespace ou WAL | `disk_used_pct`, `wal_lag_bytes` |
+| CPU-bound (encoder, ML) | Load average | `cpu_load_avg_5min` |
+| Network egress | Bandwidth | `egress_bytes_per_sec_pct` |
+
+## Anti-patterns
+
+### ANTI: mean latency
+
+```text
+ANTI: alerta/dashboard com avg(duration_ms) — long tail invisível.
+
+PROBLEMA: mean=50ms mas p99=5000ms = UX ruim invisível; cliente enterprise
+          (no p99) sofre sem nunca disparar alerta. Mean é puxado para baixo
+          por mass de requests rápidos; sinaliza "tudo ok" enquanto 1% dos
+          users espera 5s.
+
+CERTO: histogram com percentile_cont(0.99); alertar em p99 > target.
+       Reportar p50/p95/p99/p99.9 para ver formato da distribuição.
+```
+
+### ANTI: latência success+error misturadas
+
+```text
+ANTI: histogram(duration_ms) sem dimension result.
+
+PROBLEMA: falhas rápidas (HTTP 500 em 5ms quando timeout dispara cedo)
+          puxam mean/percentis para baixo; mascaram lentidão real de
+          requests bem-sucedidos. Dashboard mostra "p99=80ms" mas
+          successes reais são 800ms.
+
+CERTO: dimension {result: 'success'} vs {result: 'error'} SEMPRE separadas
+       em séries distintas. SLI/SLO computado APENAS sobre success path.
+```
+
+### ANTI: Errors com error.message como dimension
+
+```text
+ANTI: errorsCounter.add(1, { error_message: e.message })
+
+PROBLEMA: cada mensagem única é uma série temporal; cardinality explosion
+          (1M+ séries em horas se message contém timestamps/IDs/random);
+          time-series DB OOMs ou throttles; queries lentas/impossíveis;
+          custo de armazenamento explode.
+
+CERTO: enum error.type com 5-15 valores fixos (timeout, validation, auth,
+       rate_limit, db, provider_down, unknown); error.message em
+       log/span attribute (não métrica) para debug pontual.
+```
+
+### ANTI: monitoring causes não symptoms
+
+```text
+ANTI: alertar em "CPU > 80% / memory < 10% / threads > N"
+
+PROBLEMA: mistura "what" (sintoma user-facing) com "why" (causa interna);
+          falsos positivos (cron job legítimo dispara CPU);
+          falsos negativos (sistema lento sem CPU alta — saturação em
+          connection pool ou rede); on-call paginado por nada e
+          incidents reais passam silenciosos.
+
+CERTO: alertar em SLO burn rate sobre os 4 signals (event-based,
+       customer-impacting); usar CPU/memory como debug context em
+       white-box monitoring, não como alert source.
+```
+
+### ANTI: saturation genérica
+
+```text
+ANTI: copiar pattern de saturation de outro serviço sem identificar o
+      gargalo real.
+
+PROBLEMA: mede CPU em serviço onde gargalo é connection pool; mede memory
+          em serviço CPU-bound; saturation alerta nunca dispara antes do
+          incident; quando incident acontece, dashboard mostra "saturação
+          OK" e ninguém sabe explicar por quê.
+
+CERTO: identificar EXPLICITAMENTE o recurso mais escasso (DB pool? queue
+       depth? Deno concurrency? tablespace?) ANTES de instrumentar (ver
+       Pattern: saturation por tipo de serviço). Cada serviço tem 1 ou 2
+       gargalos reais — instrumentar esses, não copiar template.
+```
+
+### ANTI: black-box only (sem white-box)
+
+```text
+ANTI: só prober externo (synthetic check), sem instrumentação interna.
+
+PROBLEMA: sabe que "site offline" mas não sabe porquê; debug requer SSH
+          em prod / log dive sem instrumentation; MTTR cresce horas;
+          incidents repetem porque root cause nunca foi capturada.
+
+CERTO: black-box detecta UX impact (cliente real não consegue) + white-box
+       (4 signals) explica root cause. Os dois juntos: black-box dispara,
+       white-box mostra qual signal degradou (latency? errors? saturation?)
+       e em qual endpoint.
+```
+
+## Verificação
+
+Antes de marcar instrumentação como production-ready, validar:
+
+1. **Os 4 signals presentes** — Latency (histogram), Traffic (counter), Errors (counter por error.type), Saturation (gauge resource-specific)
+2. **Latency separada** — `result: 'success'` e `result: 'error'` em séries distintas
+3. **Histogram com bucketing exponencial** — não fixed buckets lineares
+4. **error.type é enum (5-15 valores)** — não `error.message` como dimension
+5. **Saturation tem o recurso certo identificado** — connection pool? queue depth? concurrency? CPU load?
+6. **Black-box probe complementar** — synthetic check do happy path principal a cada 30s
+7. **Dashboard de 4 signals** existe e é o **primeiro** lugar de debug em incident
+
+## Saturation as cascading failure trigger (v1.11)
+
+**Saturation > threshold é early warning de cascading failure** (cap 22). Quando ainda há tempo para load shedding manter SLO; quando hit 100%, já está em cascade. Threshold tuning canônico:
+
+| Recurso | Warning | Critical | Ação automática |
+|---|---|---|---|
+| **CPU load** | > 70% | > 90% | Load shed; scale up |
+| **Memory used** | > 80% | > 95% | Load shed; OOM protection |
+| **Queue depth (pgmq)** | > 70% capacity | > 90% capacity | Drop oldest; scale consumers |
+| **Connection pool (DB)** | > 70% used | > 90% used | Throttle slow queries; scale pool |
+| **Concurrency limit** | > 80% inflight | > 95% inflight | Reject new (503 + Retry-After) |
+| **File descriptors** | > 70% ulimit | > 90% ulimit | Close idle conns; scale up |
+
+**Resposta canônica:** quando saturation > Critical, server-side ativa load shedding (skill `load-shedding-graceful-degradation` v1.11) — retorna 503 + Retry-After ANTES de aceitar request que vai falhar. Coopera com caller-side defesas (skill `retry-strategies` v1.11 — full jitter respeita Retry-After).
+
+Cross-ref: `cascading-failures` (v1.11) detalha 5 triggers; `cascading-failures-auditor` (v1.11) detecta gaps em código.
+
+## Ver também
+
+- [`_shared-sre/glossary.md`](../_shared-sre/glossary.md) — termos canônicos golden signals, black-box, white-box, percentile
+- [`opentelemetry-standard`](../opentelemetry-standard/SKILL.md) (v1.9) — OTel SDK base, exporter, OTLP
+- [`structured-events`](../structured-events/SKILL.md) (v1.9) — wide events que alimentam SLI de Errors
+- [`event-based-slos`](../event-based-slos/SKILL.md) (v1.9) — SLO sobre Errors+Latency forma SLI canônico
+- [`burn-rate-alerting`](../burn-rate-alerting/SKILL.md) (v1.9) — alertar em SLO burn-rate, não em CPU
+- [`production-readiness-review`](../production-readiness-review/SKILL.md) — PRR axis "Instrumentation" exige 4 signals
+
+---
+
+*Material-fonte: Site Reliability Engineering — Beyer, Jones, Petoff, Murphy (Google/O'Reilly, 2016) — Cap 6: "Monitoring Distributed Systems" (Four Golden Signals).*