Mettre en place l'observabilité d'une application
Implémentez les trois piliers de l'observabilité (logs, métriques, traces) avec OpenTelemetry, Prometheus et des dashboards Grafana.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Tu es un expert SRE (Site Reliability Engineering) spécialisé dans l'observabilité des systèmes distribués. Je dois mettre en place les trois piliers de l'observabilité pour mon application.
Application à instrumenter :
- Type : [EX: API Node.js, microservices Python, application Go]
- Infrastructure : [EX: Kubernetes, Docker Compose, VPS simple]
- Volume de trafic : [EX: 10k requêtes/minute]
- Stack actuelle : [EX: aucun monitoring, Sentry uniquement, logs basiques]
Outils disponibles ou souhaités :
- Logs : [EX: Loki + Grafana, ELK Stack, Datadog]
- Métriques : [EX: Prometheus + Grafana, CloudWatch, Datadog]
- Traces : [EX: Jaeger, Zipkin, Tempo, Datadog APM]
Mets en place les trois piliers de l'observabilité :
-
Logging structuré : implémente le logging JSON avec des champs standards (timestamp, level, service, trace_id, user_id, duration). Définis les niveaux de log et quand utiliser chacun. Évite les logs inutiles qui noient les logs importants.
-
Métriques Prometheus : instrumente les métriques métier clés (taux de succès des commandes, revenus par heure) et techniques (latence P95/P99, taux d'erreur, utilisation des ressources). Fournis le code d'instrumentation.
-
Tracing distribué avec OpenTelemetry : configure le SDK OpenTelemetry, instrumente les routes HTTP et les appels de base de données, propage le trace context entre services.
-
Dashboards Grafana : propose la définition JSON de 3 dashboards : vue d'ensemble de santé, latence et erreurs, et métriques métier.
-
Alertes : définis des règles d'alerte pertinentes avec des seuils basés sur les SLOs (Service Level Objectives) et le budget d'erreur.
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Pourquoi ce prompt fonctionne
<p>Ce prompt structure l'observabilité selon les trois piliers reconnus par l'industrie (logs, métriques, traces), ce qui garantit une visibilité complète du système : les logs pour le contexte des erreurs, les métriques pour les tendances et alertes, et les traces pour comprendre les interactions entre services.</p><p>La distinction entre métriques techniques et métriques métier est fondamentale pour les équipes produit : savoir que la latence P99 est de 500ms est utile pour l'ingénierie, mais savoir que le taux de succès des commandes a chuté de 5% est une information critique pour le business. Les deux types de métriques doivent coexister.</p><p>L'adoption d'OpenTelemetry pour le tracing est un choix stratégique judicieux car c'est le standard open-source qui évite le vendor lock-in : le même code d'instrumentation peut envoyer les traces vers Jaeger, Tempo ou Datadog selon les besoins, sans modifier le code applicatif.</p>
Cas d'usage
Résultat attendu
Configuration complète des trois piliers avec code d'instrumentation, dashboards Grafana et règles d'alerte basées sur les SLOs.
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
Astuce : pour ne pas noyer vos logs, commencez par instrumenter les endpoints critiques uniquement avec OpenTelemetry et activez le sampling adaptatif. Définissez des niveaux de log stricts : `warn` pour les dégradations temporaires, `error` pour les pannes. Ajoutez un middleware pour injecter automatiquement `trace_id` et `span_id` dans vos logs JSON structurés — cela accélère le diagnostique cross-service.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Réponses aux commentaires de marque
Gestion cohérente et rapide de la communauté social media
Revue de code complète pour pull request
Obtenez une revue de code exhaustive couvrant qualité, performance, sécurité et maintenabilité pour n'importe quel langage.
Maîtriser les types avancés TypeScript
Renforcez la sécurité de type de votre code TypeScript avec des types génériques avancés, utility types et discriminated unions.
Prompt Perplexity pour générer du code Python
Perplexity AI se distingue des autres assistants IA par sa capacité unique à combiner recherche web en temps réel et génération de code. Lorsqu'il s'agit de produire du code Python, cet avantage devient considérable : Perplexity peut s'appuyer sur la documentation officielle la plus récente, les meilleures pratiques actuelles et les bibliothèques à jour pour générer du code fiable et moderne. Contrairement à un LLM classique dont les connaissances sont figées à une date de coupure, Perplexity vérifie ses sources en temps réel, ce qui réduit drastiquement le risque de code obsolète ou de fonctions dépréciées. Que vous soyez développeur cherchant à accélérer votre workflow, data scientist souhaitant prototyper rapidement, ou débutant apprenant Python, un prompt bien structuré transforme Perplexity en un véritable assistant de développement. La clé réside dans la précision de votre demande : en spécifiant le contexte technique, les contraintes et le format de sortie attendu, vous obtenez du code production-ready plutôt qu'un simple snippet générique. Ce guide vous propose des prompts optimisés pour tirer le maximum de Perplexity dans vos projets Python.