Resposta rápida
Observabilidade é a capacidade de entender o que está acontecendo dentro dos sistemas a partir dos dados que eles emitem: métricas (latência, volume, erros), logs (o registro de cada evento) e traces (o caminho de uma requisição entre vários sistemas). Com ela, a equipe descobre onde e por que algo falhou em minutos, não em horas.
Os três pilares
- Métricas: números ao longo do tempo — latência, volume de chamadas, taxa de erro. Ferramentas: Prometheus e Grafana.
- Logs: o detalhe de cada evento, centralizado e pesquisável. Ferramentas: ELK e Loki.
- Traces distribuídos: o caminho completo de uma requisição, com o tempo gasto em cada sistema. Ferramentas: Jaeger e Zipkin.
Alertas que não viram ruído
Alertas eficazes são baseados em objetivos de nível de serviço (SLOs) — por exemplo, a porcentagem de chamadas respondidas dentro do tempo esperado — e não em cada erro isolado. Severidades claras, agrupamento de eventos parecidos e silêncio durante manutenções programadas fazem a equipe confiar no alerta quando ele toca.