「ops」の検索結果

Codewhale で並行実行するエージェントの状態やログを調べ、障害の種類と再試行条件を整理して、再起動・実行の再開・人への判断依頼を選び、対応記録をまとめます。

• Codewhale の実行状況を確認したいとき
• 一時的な障害の再起動を判断したいとき
• 管理側の再起動後に実行を再開したいとき

アプリやサーバーの稼働状況をGrafanaで可視化するスキル。リクエスト数、エラー率、応答時間などを整理し、監視用ダッシュボードやアラート設定を作成します。

• APIの監視画面を作りたいとき
• CPUやメモリ使用量の可視化
• サービス品質目標や事業指標の追跡

インフラやアプリの稼働状況をPrometheusで監視するための設定を支援するスキル。指標の収集・保存、アラートの設計、収集状況の確認まで扱います。

• インフラとアプリの監視を始めたいとき
• 指標の収集間隔や保存期間の設定
• アラートルールを設計したいとき

サービスの稼働率や応答時間を測る指標と信頼性の目標を定め、許容できる失敗の量を計算し、Prometheusの監視ルールやアラートに落とし込むスキル。

• 稼働率や応答時間の目標を決めたいとき
• エラーバジェットの計算と追跡
• 許容失敗量の急な消費を検知したいとき

Pythonアプリに、検索しやすいログや性能指標、サービスをまたぐ処理の追跡を組み込みます。本番の障害調査に向けて、記録形式やリクエストIDの受け渡しを整えます。

• 検索しやすいJSONログの導入
• Prometheusで性能指標を集めたいとき
• 複数サービス間の処理を追いたいとき

複数のサービスをまたぐリクエストをJaegerやTempoで追跡し、処理の遅延や依存関係、エラーの伝わり方を調べるための実装を支援します。

• サービス間の処理遅延を調べたいとき
• サービスの依存関係の把握
• エラーの伝播経路を追いたいとき

サービス障害の検知から復旧確認まで、担当者が順番に追える対応手順書を作成します。重大度の判定、連絡先への引き継ぎ、関係者への状況報告も整理します。

• 決済サービスの障害手順書作成
• データベースの復旧手順整理
• 新しい障害対応当番への引き継ぎ

macOSで起きている接続不良を、設定を変えずに調査します。標準ツールで証拠を集め、端末周辺・DNS・通信経路・接続先サービスのどこに問題がありそうかを整理します。

• APIやMCPのタイムアウト調査
• DNSの失敗や応答のばらつきの確認
• ビデオ通話の遅延原因を探したいとき

NVIDIA DGX Sparkで長時間の機械学習を動かす際に、共有メモリの余裕を見積もり、メモリ不足への対処や温度・電力の監視、処理低下の原因確認を進めるスキル。

• 学習前にメモリの余裕を見積もりたいとき
• メモリ不足の原因と対処を確認したいとき
• 長時間学習の速度低下を調べたいとき

NVIDIA DGX Sparkで機械学習の長時間実行前や障害時に、10種類の問題を点検するスキル。起動失敗、メモリ不足、速度低下の原因と対処を整理します。

• 長時間学習前のDGX Spark点検
• 空き容量があるのに起きるメモリ不足
• 学習途中の速度低下を調べたいとき

システム障害の経緯と原因を整理し、個人の責任追及に偏らない振り返り文書を作成します。時系列の記録から原因分析、担当者と期限を伴う改善策の具体化まで支援します。

• サービス障害の振り返り文書作成
• 5 Whysによる根本原因の分析
• 障害の振り返り会議の準備

複数のアプリや共通パッケージをまとめて管理するTurborepoで、ビルド結果の保存と共有、実行対象の絞り込みを設定し、キャッシュが効かない原因の調査を支援します。

• 新規Turborepoのビルド設定
• ローカルとCIでキャッシュを共有
• 変更の影響範囲だけビルドしたいとき

Kubernetesアプリの配布・デプロイに使うHelmチャートを作成し、再利用できるテンプレート、環境別の設定値、依存関係や検証手順を整えるスキル。

• Helmチャートを新規作成したいとき
• Kubernetesアプリの配布準備
• 複数環境のデプロイ設定管理

システムの障害対応当番の交代時に、進行中の障害や調査、直近の変更を整理し、引き継ぎ文書の作成から連絡・通知確認までの手順を整えるスキル。

• 障害対応当番の引き継ぎ文書作成
• 障害対応中に指揮役を交代したいとき
• 時差のあるチームの非同期引き継ぎ

サービス同士が証明書で互いを認証するmTLSの導入を支援し、通信の暗号化、証明書の更新管理、接続時の認証エラーの調査を案内するスキル。

• ゼロトラストのサービス間通信を導入
• 証明書更新と有効期限監視の計画
• TLS接続時の認証エラー調査

AWS・Azure・GCP・OCIのクラウド費用を見直し、利用量に合う構成、割引契約、ストレージ管理、タグと予算アラートによる継続的なコスト管理を支援するスキル。

• 過剰・未使用のクラウド資源の洗い出し
• 常時稼働する処理の料金方式の比較
• 保存先と保管期間を見直したいとき

複数サービス間の通信を監視し、遅延やエラーの原因を調べるスキル。IstioやLinkerdでの処理経路の追跡、指標の可視化、通信品質の目標設定を支援します。

• 複数サービスをまたぐ処理経路の追跡
• 通信指標とダッシュボードの整備
• 遅延やエラー、接続障害の原因調査

AWS、Azure、GCP、OCIのサービスを比較し、複数クラウドを組み合わせる構成を設計するスキル。障害対策や移行、費用を考慮した選定を支援します。

• 複数クラウドの構成を設計したいとき
• 別クラウドへの災害復旧設計
• 用途に合うクラウドサービスの比較

CI/CDで使うAPIキーやパスワードをコードに直書きせず管理するためのスキルです。保管先との連携、定期更新、アクセス権限、ログへの露出防止を整えます。

• APIキーやパスワードの直書き解消
• CI/CDと機密情報の保管先との連携
• 認証情報の自動・手動更新の手順づくり

Istioでサービス間の通信経路や負荷分散を設定し、新版への段階的な切り替えや障害時の制御を支援します。通信の複製や障害注入による検証、設定の調査例も扱います。

• 新版に少量の通信を送りたいとき
• 再試行・タイムアウト・障害分離の設定
• 通信をテスト環境へ複製したいとき

GitHub Actionsでテスト・ビルド・デプロイを自動化する設定を作成。複数環境での検証やDockerイメージの公開、承認付きの本番配信を支援します。

• 変更時のテストを自動化したいとき
• Dockerイメージの作成と公開
• 承認付きのKubernetes配信

ブログやREADMEなどの文章から機械的に感じる語句や構成を見つけ、著者の語り口と事実を保ちながら、指摘のみ・書き直し・ファイル編集で推敲を支援します。

• ブログの機械的な表現を見直したいとき
• READMEやリリースノートの推敲
• 書き直さずに問題箇所を確認したいとき

社内データセンターとAWS・Azure・GCP・OCIを、VPNや専用接続でつなぐ構成を支援します。経路制御、冗長化、監視、費用の検討まで扱います。

• 社内データセンターとクラウドを接続
• 段階的なクラウド移行の接続設計
• 回線の冗長化と自動切り替えを検討

Kubernetes上のサービス間通信を管理するLinkerdの導入から、相互認証・アクセス制御・段階的リリースの設定、通信状況の監視までを支援するスキル。

• KubernetesにLinkerdを導入したいとき
• サービス間の認証とアクセス制御の設定
• 新バージョンに一部の通信を流したいとき