七个 Operational 角色，五个专家技能，一个 Manager。
OpsKeeper 里的每个 Worker 都有明确的契约：明确的角色、明确的工具白名单、明确的最大轮次预算。由 Manager 决定谁什么时候跑。
阶段和角色一一对应。
每个 Operational Worker 都绑定闭环中的一个或多个阶段。契约写在 skill_meta.yaml 里，运行期强制执行。
聚合来自 Prometheus / Loki / Tempo / Webhook / On-call 的告警。三条 PG / Redis / Host 静态规则，九条 DIAGNOSIS_SKILL_MAP 条目，LLM 语义去重阶段配熔断器。
跨指标、日志、追踪、代码、主机、拓扑的只读因果链追踪器。回溯到 patient zero 并返回带置信度的证据链。
在严重度 ≥ critical 时对 RCA 做同行审计。检查证据链，返回 needs_correction 标记。不会无中生有。
在 HITL 之前对每个可变更或破坏性动作做第二双眼睛。仅批准最小必要的爆炸半径。
执行可变更动作。每个动作必须精确匹配一个已审批的事件、清单、资源、命令和 payload 哈希，否则默认拒绝。
只调用 recovery.verify。四项指标白名单，三级告警分级，向 Manager 返回 VerifiedDelta。
由预计算的 ReportFacts 撰写结构化周期报告。资源趋势、监控覆盖、变更 —— 数字绝不杜撰。
把领域专家挂到事件上。
专家技能放在 agents/ 下，按路由规则（而不是 Manager 心情）挂到事件上。用来丰富 RCA 或撰写复盘章节。
站点可靠性模式：发布安全、特性开关分析、依赖爆炸半径。
网络层诊断：DNS / LB / BGP / 路由传播 / 丢包。
CPU 调度、容器 limits、kernel cgroup 压力、throttling 检测。
文件系统压力、IOPS 饱和、副本延迟、journal replay。
运维胶水：变更窗口、On-call 轮值、沟通模板。
Worker = skill_meta.yaml + 工具白名单。
技能放在 Nacos Config 里，30 秒轮询热加载；本地降级支持离线安装。控制平面读的是同一份 schema。
# skills/alerter/skill_meta.yaml
name: alerter
role: intake
phase: detected,correlated
safety_level: L0
max_turns: 12
tool_allowlist:
- read:alerts
- read:topics
- dedup:rules
- dedup:LLM
inputs:
- AlertSet
outputs:
- Incident
- CorrelationID
description: |
多源告警聚合 + 语义去重。
LLM 去重阶段带熔断器。