docs(ops): SLO/SLI definitions + error budget framework

7 SLI с конкретными порогами и justification:
- read-api availability (99.5% v1 target)
- read-api p99 latency < 500ms target / 1s alert
- writer 5xx error rate < 1%
- outbox publish lag (≤ 50 normal, alert > 100)
- outbox DLQ size = 0 strict
- outbox publish error rate ~0
- postgres availability (99.9% v1 target)

Error budget framework для 99.5% уровня (~216 мин/мес downtime).
Burn rate alerts — TODO.

Notification routing — TODO (Slack/Telegram per severity).

Что не покрывает v1: Grafana dashboards, distributed tracing, log
aggregation, capacity planning. См. observability stack roadmap для v2.

docs/ops/slo.md

@@ -0,0 +1,96 @@
+# SLO / SLI — Ordinis НСИ ЦУОД
+
+Документ описывает Service Level Objectives для Ordinis на стадии v1.
+Метрики и пороги — стартовая точка, корректируются по реальным данным
+после 2-3 месяцев наблюдения.
+
+**Source of truth для алертов:**
+[ordinis-infra/charts/ordinis/templates/prometheus-rules.yaml](../../code/ordinis-infra/charts/ordinis/templates/prometheus-rules.yaml).
+
+## 1. SLI (Service Level Indicators)
+
+### Read-api availability
+- **Метрика:** `up{job="ordinis-read-api"}`
+- **Что считаем:** доля времени когда хотя бы один read-api pod отвечает.
+- **Цель v1:** 99.5% за месяц (allowance ~3.6 ч downtime).
+- **Цель v2:** 99.9% (с HA postgres + 2+ replicas read-api).
+
+### Read-api latency
+- **Метрика:** `histogram_quantile(0.99, http_server_requests_seconds_bucket{job="ordinis-read-api"})`
+- **Цель:** p99 < 500ms для GET-запросов.
+- **Текущий alert:** p99 > 1s for 10m → warning.
+- **Justification:** Альтум-BFF имеет TTL 5 мин, latency на холодном кэше
+  не должна перекрывать UX (заказ съёмки UI ждёт справочник).
+
+### Write-api error rate (writer)
+- **Метрика:** `5xx_rate / total_rate` over 5m
+- **Цель:** < 1% за 30 дней.
+- **Alert:** > 5% за 5 мин → warning.
+- **Источники 5xx, которые надо исключить:** валидация (это 4xx), exclusion
+  constraint (409 friendly), IP type cast (баг 2026-05-05, fixed). Если
+  возрастает — ищем новый bug.
+
+### Outbox publish lag
+- **Метрика:** `ordinis_outbox_pending_events`
+- **Цель:** ≤ 50 в normal load, < 10 в average.
+- **Alert:** > 100 for 5m → warning.
+- **Семантика:** это batch lag между записью изменения в БД и публикацией
+  в Kafka. Большое значение = consumer'ы видят stale данные.
+
+### Outbox DLQ
+- **Метрика:** `ordinis_outbox_dlq_size`
+- **Цель:** = 0 всегда (любая запись в DLQ = bug).
+- **Alert:** > 0 for 5m → critical.
+- **Действие:** docs/ops/outbox-dlq.md.
+
+### Outbox publish error rate
+- **Метрика:** `rate(ordinis_outbox_publish_errors_total[5m])`
+- **Цель:** ~ 0.
+- **Alert:** > 0.1/sec for 10m → warning.
+
+### Postgres availability
+- **Метрика:** `cnpg_pg_postmaster_start_time_seconds{cluster="ordinis-postgres"}`
+- **Цель:** 99.9% (CNPG single-instance на v1, на v2 — 99.99% с replica).
+- **Alert:** absent or 0 for 2m → critical.
+
+## 2. Notification routing (TODO)
+
+Сейчас alerts пишутся в Prometheus AlertManager как обычные alerts.
+Routing в Slack/Telegram/Email — отдельная задача:
+
+- [ ] AlertManager config с receiver per severity:
+  - **critical** → on-call channel (немедленный)
+  - **warning** → digest channel (раз в час summary)
+- [ ] Эскалация: critical → engineer → tech lead через 15 мин если не acked.
+
+См. v1 closure backlog в [docs/status/2026-05-05-state.md](../status/2026-05-05-state.md).
+
+## 3. Error budget (v1 target)
+
+При 99.5% availability за месяц:
+- Total минут: 30 * 24 * 60 = 43200
+- Allowed downtime: 0.5% × 43200 = ~216 мин (~3.6 ч)
+
+**Burn rate alert:** если за последний час потрачено >2% бюджета —
+warning. >5% — critical (т.е. совокупно >2.16 ч за час).
+Сейчас не настроен — TODO.
+
+## 4. Что НЕ покрывает v1
+
+- Нет dashboards (Grafana). Видим только raw метрики через Prometheus UI.
+- Нет distributed tracing (Tempo) на staging. Trace_id есть в логах, но
+  собрать timeline через сервисы — пока вручную.
+- Нет logs aggregation (Loki). Поиск по логам — kubectl logs (привычно
+  но не масштабируется).
+- Нет capacity planning (rate of change для скрытых ресурсов: PVC fill rate,
+  Kafka log retention).
+
+Roadmap до v2 — отдельный документ "observability stack".
+
+## 5. Связанные runbooks
+
+- [vault-unseal.md](vault-unseal.md)
+- [kafka-restart.md](kafka-restart.md)
+- [outbox-dlq.md](outbox-dlq.md)
+- [db-migrations.md](db-migrations.md)
+- [README.md](README.md) — index by symptom