当你凌晨 3 点被电话叫醒处理故障时，是否想过：这个服务到底需要多可靠？99.9% 够不够？多出来的一个 9 意味着多少成本？SRE（Site Reliability Engineering）不是让系统永远不宕机，而是用工程化的方法在可靠性与业务速度之间找到最优平衡。本文从 SLI/SLO/SLA 体系出发，系统梳理 SRE 的核心方法论和落地实践。