题目与场景
销售负责人把合同中的 99.9% SLA 当成产品绝不会出错，并要求工程团队承诺任何时候都不降级。请用非技术语言解释 SLI、SLO 与 SLA 的区别，说明如何选择指标、处理误解，以及它们如何影响发布和客户沟通。
面试官考察点
- 能否把抽象可靠性术语连接到用户旅程和业务承诺。
- 能否区分内部目标、观测指标和外部合同，而不把百分比当作绝对保证。
- 能否说明错误预算如何支持发布、暂停和风险取舍。
- 能否根据听众调整表达，确认对方理解并留下可执行的下一步。
先问清楚的澄清问题
- 99.9% 针对哪个服务、用户旅程、时间窗口和可用性定义？是否排除维护或第三方依赖？
- 合同中的 SLA 是服务承诺、赔偿条件，还是销售材料中的非合同目标？
- 当前是否已有 SLI 数据、SLO 目标、错误预算和客户影响报告？
- 对方最关心的是违约风险、客户体验、发布速度，还是内部资源优先级？
30 秒回答示范
我会先确认 99.9% 的服务范围和合同含义，再用一个航班准点率的类比说明：SLI 是我们实际测量的结果，SLO 是团队希望达到的目标，SLA 是对客户作出的正式承诺，通常带有例外和补偿条款。99.9% 不是绝对零故障，而是特定时间窗口内允许的失败预算。我会把指标换算成用户影响和剩余风险，说明错误预算如何决定继续发布、降速或暂停，并请对方复述理解，最后约定责任人和下一次审查时间。
深入拆解
1. 先从用户旅程而不是术语开始
我会问用户完成什么任务才算服务可用，例如登录、提交订单或读取报告。一个服务器端成功率可能掩盖客户端超时或关键流程失败，所以 SLI 应尽量反映用户感知的可用性、延迟或正确性。先讲任务和影响，再引入缩写，降低沟通门槛。
2. 用三层定义建立边界
SLI 是可重复测量的信号，例如关键请求成功率或满足延迟阈值的请求比例。SLO 是在时间窗口内对 SLI 设定的目标，例如 30 天达到 99.9%。SLA 是对客户或合作方的正式承诺，可能规定服务范围、例外、通知和服务抵扣。三者数值可以相关，但责任、证据和后果不同。
3. 把百分比换算成错误预算
在固定窗口内，错误预算约等于目标允许的失败部分。以 30 天 99.9% 为例，允许不可用时间约 43 分钟；这是帮助决策的量级示例，实际应按合同口径和计量方法计算。预算剩余时可以在风险可控下发布，预算快速消耗或用尽时应暂停高风险变更并优先修复。
4. 解释 SLA 不是“永不出错”
我会说明合同通常定义测量方法、排除项、服务范围和补偿，而不是保证每个请求永远成功。若销售需要对外表达，我会把 SLO、SLA 和状态页、支持流程、事故通知时间对齐，避免用内部目标替代合同承诺。任何例外都应由法务、销售和工程共同确认。
5. 将可靠性连接到发布选择
发布评审可以使用错误预算作为共同门槛：预算健康时按计划发布；燃烧速度异常时降低批次、增加观测或暂停；预算耗尽时优先修复，除非经过明确的例外评审。选项要同时列出用户影响、收入或承诺影响、恢复时间和回滚条件，避免把可靠性变成单方面否决。
6. 验证理解并建立持续治理
沟通后请听众用自己的话复述三层定义和当前风险，记录问题和承诺。每个窗口复盘 SLI 是否仍代表用户、SLO 是否驱动正确行为、SLA 是否与合同一致。发现指标与用户体验脱节时，先修正测量，再讨论目标和资源，而不是只提高一个百分比。
一份更完整的强回答
我会先确认 99.9% 的服务、用户旅程、时间窗口和合同边界，然后从一个用户任务讲起。SLI 是可观测的实际结果，SLO 是团队在窗口内追求的目标，SLA 是对客户的正式承诺，带有范围、例外和补偿。用 30 天 99.9% 的约 43 分钟预算做量级示例，但会以合同计量为准。预算健康时继续发布，燃烧异常时降低批次并观察，用尽时暂停高风险变更，例外需共同评审。最后让销售复述理解，统一状态页、通知和支持流程，并定期复盘指标是否真的代表用户。
常见失分点
- 把 SLI、SLO、SLA 当作同义词，只背诵定义不说明责任边界。
- 把 99.9% 说成任何时候都不能失败，忽略窗口、范围和例外。
- 只看服务器指标，不验证关键用户旅程和客户端体验。
- 提到错误预算却没有说明它如何影响发布、暂停和例外评审。
- 用一堆缩写压过听众，没有确认理解或留下行动项。
追问与延伸
追问一：如果销售要求把内部 SLO 写进合同怎么办？
先确认测量口径、范围、例外、通知和补偿，再让法务、销售、支持和工程共同评估成本与风险。可以把内部目标作为服务承诺的输入，但不能跳过合同定义和运营能力验证。
追问二：怎样选择多个 SLI？
按用户旅程拆分可用性、延迟、正确性或新鲜度，避免用一个平均值掩盖关键路径。为每个 SLI 说明数据源、采样、窗口、缺失数据处理和对应行动。
追问三：如果 SLO 达标但客户仍投诉怎么办？
检查 SLI 是否测到了真实任务，是否遗漏特定地区、租户、客户端或业务成功条件。把投诉样本与端到端指标关联，必要时新增或替换 SLI，再调整目标。
追问四：错误预算和赔偿金额如何关联？
错误预算是内部风险与发布机制，赔偿是 SLA 的合同后果，两者可以参考同一事件记录但不能互相替代。对外赔偿按合同计算，对内用预算决定工程优先级和变更节奏。