dd-monitors

โดย datadog-labs

การจัดการมอนิเตอร์ - รายการ, ค้นหา, สร้างตามไฟล์, และแนวทางปฏิบัติที่ดีที่สุดในการแจ้งเตือน

npx skills add https://github.com/datadog-labs/agent-skills --skill dd-monitors

Datadog Monitors

Create, manage, and maintain monitors for alerting.

Prerequisites

This requires pup in your path. See Setup Pup.

Command Execution Order (Token-Efficient)

For scoped commands, use this order:

  1. Check context first (prior outputs, conversation, saved values).
  2. If a required value is missing, run a discovery command first.
  3. If still ambiguous, ask the user to confirm.
  4. Then run the target command.
  5. Avoid speculative commands likely to fail.

Quick Start

pup auth login

Common Operations

List Monitors

pup monitors list
pup monitors list --tags "team:platform"

Get Monitor

pup monitors get <id>

Create Monitor

pup monitors create --file monitor.json

Silence Alerts (Downtime)

# No pup monitors mute/unmute commands.
# Use downtime payloads to silence monitor notifications.
pup downtime create --file downtime.json
pup downtime cancel <downtime_id>

Monitor Creation Best Practices

1. Avoid Alert Fatigue

RuleWhy
No flapping alertsUse last_Xm not last_1m
Meaningful thresholdsBased on SLOs, not guesses
Actionable alertsIf no action needed, don't alert
Include runbook@runbook-url in message
# WRONG - will flap constantly
query = "avg(last_1m):avg:system.cpu.user{*} > 50"  # ❌ Too sensitive

# CORRECT - stable alerting
query = "avg(last_5m):avg:system.cpu.user{env:prod} by {host} > 80"  # ✅ Reasonable window

2. Use Proper Scoping

# WRONG - alerts on everything
query = "avg(last_5m):avg:system.cpu.user{*} > 80"  # ❌ No scope

# CORRECT - scoped to what matters
query = "avg(last_5m):avg:system.cpu.user{env:prod,service:api} by {host} > 80"  # ✅

3. Set Recovery Thresholds

monitor = {
    "query": "avg(last_5m):avg:system.cpu.user{env:prod} > 80",
    "options": {
        "thresholds": {
            "critical": 80,
            "critical_recovery": 70,  # ✅ Prevents flapping
            "warning": 60,
            "warning_recovery": 50
        }
    }
}

4. Include Context in Messages

message = """
## High CPU Alert

Host: {{host.name}}
Current Value: {{value}}
Threshold: {{threshold}}

### Runbook
1. Check top processes: `ssh {{host.name}} 'top -bn1 | head -20'`
2. Check recent deploys
3. Scale if needed

@slack-ops @pagerduty-oncall
"""

NEVER Delete Monitors Directly

Use safe deletion workflow (same as dashboards):

def safe_mark_monitor_for_deletion(monitor_id: str, client) -> bool:
    """Mark monitor instead of deleting."""
    monitor = client.get_monitor(monitor_id)
    name = monitor.get("name", "")
    
    if "[MARKED FOR DELETION]" in name:
        print(f"Already marked: {name}")
        return False
    
    new_name = f"[MARKED FOR DELETION] {name}"
    client.update_monitor(monitor_id, {"name": new_name})
    print(f"✓ Marked: {new_name}")
    return True

Monitor Types

TypeUse Case
metric alertCPU, memory, custom metrics
query alertComplex metric queries
service checkAgent check status
event alertEvent stream patterns
log alertLog pattern matching
compositeCombine multiple monitors
apmAPM metrics

Audit Monitors

# Find monitors without owners
pup monitors list | jq '.[] | select(.tags | contains(["team:"]) | not) | {id, name}'

# Find noisy monitors (high alert count)
pup monitors list | jq 'sort_by(.overall_state_modified) | .[:10] | .[] | {id, name, status: .overall_state}'

Downtime vs Muting

UseWhen
DowntimeAny planned silence window
Monitor editQuery/threshold behavior changes
# Downtime (preferred)
pup downtime create --file downtime.json

Failure Handling

ProblemFix
Alert not firingCheck query returns data, thresholds
Too many alertsIncrease window, add recovery threshold
No data alertsCheck agent connectivity, metric exists
Auth errorpup auth refresh

References

Skills เพิ่มเติมจาก datadog-labs

dd-audit
datadog-labs
การตรวจสอบเส้นทางการตรวจสอบ - ใครเปลี่ยนแปลงอะไร การประนีประนอมคีย์ สาเหตุหลักของต้นทุนที่เพิ่มขึ้น หลักฐานการปฏิบัติตามข้อกำหนด (SOC 2/PCI) และการตรวจสอบกิจกรรม AI
official
agent-install
datadog-labs
ติดตั้ง Datadog Agent บน Kubernetes โดยใช้ Datadog Operator — จำเป็นก่อนเปิดใช้งาน Single Step Instrumentation (SSI) ซึ่งจะ...
official
agent-observability-auto-experiment
datadog-labs
ดำเนินการปรับปรุงโค้ดแบบวนซ้ำ (hill-climb) กับข้อมูล Datadog LLM-Obs จริงในเครื่องท้องถิ่น โดยใช้ Claude Code เป็นเอเจนต์ เริ่มต้นด้วยการสร้างการประเมิน baseline จากนั้นทำการปรับปรุงหนึ่งครั้ง…
official
agent-observability-eval-bootstrap
datadog-labs
เริ่มต้นตัวประเมินจาก trace การผลิตจริง — โดยค่าเริ่มต้นจะเสนอตัวประเมิน LLM-judge แบบออนไลน์ และหลังจากคุณยืนยันแล้ว จะสร้างใน Datadog เป็นฉบับร่างที่ถูกปิดใช้งาน…
official
agent-observability-eval-pipeline
datadog-labs
ไปป์ไลน์การสังเกตการณ์เอเจนต์แบบครบวงจรสำหรับ ml_app ที่ถูกติดตั้งเครื่องมือวัด — จัดหมวดหมู่ production traces วิเคราะห์สาเหตุต้นตอของความล้มเหลว เริ่มต้นตัวประเมิน จากนั้น (ทางเลือก)…
official
agent-observability-experiment-analyzer
datadog-labs
วิเคราะห์ผลการทดลอง LLM รองรับการทดลองเดี่ยวหรือการทดลองเปรียบเทียบ โหมดสำรวจหรือถาม-ตอบ ใช้เมื่อผู้ใช้พูดว่า "วิเคราะห์การทดลอง" "เปรียบเทียบ…
official
agent-observability-replay-trace
datadog-labs
ใช้เมื่อนักพัฒนาต้องการปรับปรุง trace ของ Agent Observability / LLM Obs เฉพาะหนึ่งรายการที่ผลลัพธ์ไม่เป็นที่พอใจ — รัน trace นั้นซ้ำกับ…
official
agent-observability-trace-rca
datadog-labs
การวิเคราะห์หาสาเหตุต้นตอจากร่องรอยของ LLM ในระบบผลิตจริง วินิจฉัยว่าเหตุใดแอปพลิเคชัน LLM จึงทำงานล้มเหลว โดยทำงานจากคำตัดสินของตัวประเมินeval ข้อผิดพลาดรันไทม์ หรือโครงสร้าง...
official