SRE (Site Reliability Engineering) — подход к эксплуатации ПО, разработанный Google (Ben Treynor, 2003). Ключевая идея: разработчики отвечают за надёжность своих сервисов в production, а не отдельная "эксплуатация". SRE-команды пишут код автоматизации и инструменты, а не рутинно чинят инциденты.
Ключевые практики: (1) SLO + error budget — если сервис укладывается в 99.9 %, у команды 43 мин downtime/месяц как "бюджет". Пока бюджет есть — можно катить фичи. Кончился — freeze features, чинить надёжность. (2) Blameless postmortem — разбор инцидентов без поиска виноватого, фокус на процессах и системах. (3) 50/50 toil vs project work — не более 50 % времени на рутину.
Артефакты: runbook (пошаговое действия при типовых инцидентах), on-call rotation (недельные дежурства), error budget policy (что делаем, если бюджет исчерпан), SLO document (для каждого сервиса).
Практика для стартапа: не нужно нанимать "SRE-команду", достаточно принять принципы. Один инженер + Prometheus + PagerDuty + SLO-документ — уже SRE. Книга Google "Site Reliability Engineering" (бесплатно на sre.google/books) — обязательное чтение.