OpenTelemetry 学习计划（Python）

一、学习目标

掌握 OpenTelemetry 的核心概念、架构设计和 Python SDK 的使用，能够在实际项目中实现分布式追踪（Traces）、指标（Metrics）和日志（Logs）的采集、导出与可视化。

二、学习路线总览

阶段1: 基础概念        (2-3天)
阶段2: Traces 深入     (3-4天)
阶段3: Metrics 深入    (2-3天)
阶段4: Logs 深入       (1-2天)
阶段5: Context 传播    (2-3天)
阶段6: 导出与后端集成   (2-3天)
阶段7: 自动检测        (2-3天)
阶段8: 实战项目        (3-5天)
阶段9: 生产最佳实践     (2-3天)

三、详细学习计划

阶段 1：基础概念与架构（2-3天）

1.1 可观测性基础

什么是可观测性（Observability）：与传统监控的区别
三大支柱：Traces（追踪）、Metrics（指标）、Logs（日志）
为什么需要 OpenTelemetry：厂商中立、统一标准、CNCF 项目

1.2 OpenTelemetry 架构

整体架构：API → SDK → Exporter → Collector → Backend
核心组件：
- API：定义数据类型和操作的接口（与厂商无关）
- SDK：API 的具体实现，负责数据采集和处理
- Exporter：将数据导出到后端系统（Jaeger、Zipkin、OTLP 等）
- Collector：独立的数据收集/处理/导出服务
OTLP 协议：OpenTelemetry Protocol，统一的数据传输协议

1.3 Python SDK 安装与基本配置

bash

# 核心包
pip install opentelemetry-api
pip install opentelemetry-sdk

# 常用导出器
pip install opentelemetry-exporter-otlp
pip install opentelemetry-exporter-jaeger
pip install opentelemetry-exporter-prometheus

# 自动检测
pip install opentelemetry-distro
pip install opentelemetry-instrumentation

1.4 学习资源

官方文档：https://opentelemetry.io/docs/languages/python/
官方规范：https://opentelemetry.io/docs/specs/otel/
GitHub 仓库：https://github.com/open-telemetry/opentelemetry-python

阶段 2：Traces 深入（3-4天）

2.1 核心概念

Trace：一次完整请求的调用链路
Span：调用链中的一个操作单元
SpanContext：Span 的上下文信息（trace_id, span_id, trace_flags）
Span 之间的关系：Parent-Child、Link
SpanKind：CLIENT, SERVER, PRODUCER, CONSUMER, INTERNAL

2.2 TracerProvider 与 Tracer

python

from opentelemetry import trace
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import (
    BatchSpanProcessor,
    SimpleSpanProcessor,
    ConsoleSpanExporter,
)
from opentelemetry.sdk.resources import Resource

# 创建 Resource（标识服务信息）
resource = Resource.create({
    "service.name": "my-service",
    "service.version": "1.0.0",
    "deployment.environment": "development",
})

# 创建 TracerProvider
provider = TracerProvider(resource=resource)

# 添加 SpanProcessor + Exporter
processor = BatchSpanProcessor(ConsoleSpanExporter())
provider.add_span_processor(processor)

# 设置全局 TracerProvider
trace.set_tracer_provider(provider)

# 获取 Tracer
tracer = trace.get_tracer("my.tracer.name", "0.1.0")

2.3 创建和管理 Span

python

# 基本用法 - 使用上下文管理器
with tracer.start_as_current_span("operation-name") as span:
    span.set_attribute("http.method", "GET")
    span.set_attribute("http.url", "https://example.com")
    # 执行操作...

# 嵌套 Span（自动建立父子关系）
with tracer.start_as_current_span("parent") as parent_span:
    with tracer.start_as_current_span("child") as child_span:
        child_span.set_attribute("key", "value")

# 添加事件（Events）
with tracer.start_as_current_span("operation") as span:
    span.add_event("cache.miss", {"cache.key": "user:123"})

# 记录异常
with tracer.start_as_current_span("operation") as span:
    try:
        risky_operation()
    except Exception as e:
        span.set_status(trace.StatusCode.ERROR, str(e))
        span.record_exception(e)
        raise

2.4 Span 属性（Attributes）

语义约定（Semantic Conventions）：标准化的属性命名
- HTTP：http.method, http.status_code, http.url
- 数据库：db.system, db.statement, db.name
- RPC：rpc.system, rpc.method, rpc.service
自定义属性：业务相关的键值对

2.5 SpanProcessor 详解

SimpleSpanProcessor：同步导出，适合开发调试
BatchSpanProcessor：批量异步导出，适合生产环境
- 配置参数：max_queue_size, max_export_batch_size, schedule_delay_millis

2.6 采样策略（Sampling）

python

from opentelemetry.sdk.trace.sampling import (
    ALWAYS_ON,
    ALWAYS_OFF,
    TraceIdRatioBased,
    ParentBased,
)

# 始终采样
provider = TracerProvider(sampler=ALWAYS_ON)

# 按比例采样（10%）
provider = TracerProvider(sampler=TraceIdRatioBased(0.1))

# 基于父 Span 决策的采样
provider = TracerProvider(
    sampler=ParentBased(root=TraceIdRatioBased(0.5))
)

2.7 练习项目

手动为一个 Flask/FastAPI 应用添加 Trace
实现跨服务的分布式追踪
使用 ConsoleExporter 观察 Span 输出结构

阶段 3：Metrics 深入（2-3天）

3.1 核心概念

Meter：创建指标的入口
Instrument（仪器）类型：
- Counter：只增不减的计数器（如请求总数）
- UpDownCounter：可增可减的计数器（如当前活跃连接数）
- Histogram：分布统计（如请求耗时分布）
- Gauge：瞬时值（如 CPU 使用率、内存占用）
- ObservableCounter / ObservableGauge：异步回调式指标

3.2 MeterProvider 与 Meter

python

from opentelemetry import metrics
from opentelemetry.sdk.metrics import MeterProvider
from opentelemetry.sdk.metrics.export import (
    PeriodicExportingMetricReader,
    ConsoleMetricExporter,
)

# 创建 MetricReader
reader = PeriodicExportingMetricReader(
    ConsoleMetricExporter(),
    export_interval_millis=5000,
)

# 创建 MeterProvider
provider = MeterProvider(metric_readers=[reader])
metrics.set_meter_provider(provider)

# 获取 Meter
meter = metrics.get_meter("my.meter.name", "0.1.0")

3.3 使用各类 Instrument

python

# Counter
request_counter = meter.create_counter(
    name="http.server.request.count",
    description="Total number of HTTP requests",
    unit="1",
)
request_counter.add(1, {"http.method": "GET", "http.route": "/api/users"})

# Histogram
request_duration = meter.create_histogram(
    name="http.server.request.duration",
    description="HTTP request duration",
    unit="ms",
)
request_duration.record(150.5, {"http.method": "POST"})

# UpDownCounter
active_connections = meter.create_up_down_counter(
    name="http.server.active_connections",
    description="Number of active connections",
)
active_connections.add(1)   # 连接建立
active_connections.add(-1)  # 连接关闭

# Observable Gauge（异步回调）
def cpu_usage_callback(options):
    import psutil
    yield metrics.Observation(psutil.cpu_percent())

meter.create_observable_gauge(
    name="system.cpu.usage",
    callbacks=[cpu_usage_callback],
    description="CPU usage percentage",
)

3.4 Views（视图）

自定义聚合方式
过滤和重命名指标
配置 Histogram 的 bucket 边界

3.5 练习项目

为 Web 应用添加请求计数、延迟分布等指标
使用 Prometheus Exporter 导出指标并可视化

阶段 4：Logs 深入（1-2天）

4.1 核心概念

LogRecord：一条日志记录
LoggerProvider：创建 Logger 的工厂
LogRecordProcessor：处理日志的管道
与 Python logging 模块的集成

4.2 集成 Python logging

python

import logging
from opentelemetry._logs import set_logger_provider
from opentelemetry.sdk._logs import LoggerProvider, LoggingHandler
from opentelemetry.sdk._logs.export import (
    BatchLogRecordProcessor,
    ConsoleLogExporter,
)

# 创建 LoggerProvider
logger_provider = LoggerProvider()
set_logger_provider(logger_provider)

# 添加处理器
logger_provider.add_log_record_processor(
    BatchLogRecordProcessor(ConsoleLogExporter())
)

# 创建 LoggingHandler 并添加到 Python logger
handler = LoggingHandler(
    level=logging.NOTSET,
    logger_provider=logger_provider,
)

logging.getLogger().addHandler(handler)
logging.getLogger().setLevel(logging.INFO)

# 正常使用 Python logging，自动关联 Trace 上下文
logger = logging.getLogger(__name__)
logger.info("User logged in", extra={"user.id": "12345"})

4.3 日志与 Trace 的关联

日志自动携带 trace_id 和 span_id
在 Jaeger/Grafana 中实现日志与 Trace 的联动查看

4.4 练习项目

将现有应用的日志接入 OpenTelemetry
验证日志与 Trace 的关联效果

阶段 5：Context 传播机制（2-3天）

5.1 核心概念

Context：存储当前 Span 等信息的不可变容器
Propagator：在进程间传递 Context 的机制
W3C TraceContext：标准的传播格式（traceparent, tracestate 头）
W3C Baggage：跨服务传递业务数据

5.2 传播器配置

python

from opentelemetry.propagate import set_global_textmap
from opentelemetry.propagators.composite import CompositeTextMapPropagator
from opentelemetry.propagate import inject, extract
from opentelemetry.trace.propagation import TraceContextTextMapPropagator
from opentelemetry.baggage.propagation import W3CBaggagePropagator

# 设置全局传播器
set_global_textmap(
    CompositeTextMapPropagator([
        TraceContextTextMapPropagator(),
        W3CBaggagePropagator(),
    ])
)

5.3 手动注入/提取 Context

python

from opentelemetry.propagate import inject, extract
from opentelemetry import context, baggage

# 注入（发送端）：将 Context 写入 HTTP 头
headers = {}
inject(headers)
# headers 现在包含 traceparent 等头信息
# requests.get("http://downstream/api", headers=headers)

# 提取（接收端）：从 HTTP 头恢复 Context
ctx = extract(incoming_headers)
with tracer.start_as_current_span("handle-request", context=ctx):
    pass

# Baggage 使用
ctx = baggage.set_baggage("user.id", "12345")
context.attach(ctx)

5.4 深入理解

context.attach() 和 context.detach() 的作用
token 机制防止 Context 泄漏
异步场景下的 Context 传播（asyncio）

5.5 练习项目

实现两个微服务之间的 Context 传播
使用 Baggage 传递业务信息（如用户 ID、租户 ID）

阶段 6：导出与后端集成（2-3天）

6.1 OTLP Exporter

python

from opentelemetry.exporter.otlp.proto.grpc.trace_exporter import OTLPSpanExporter
from opentelemetry.exporter.otlp.proto.grpc.metric_exporter import OTLPMetricExporter
from opentelemetry.exporter.otlp.proto.grpc._log_exporter import OTLPLogExporter

# gRPC 方式
trace_exporter = OTLPSpanExporter(
    endpoint="localhost:4317",
    insecure=True,
)

# HTTP 方式
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
trace_exporter = OTLPSpanExporter(
    endpoint="http://localhost:4318/v1/traces",
)

6.2 OpenTelemetry Collector

架构：Receivers → Processors → Exporters
部署方式：Agent 模式 vs Gateway 模式
配置文件示例：

yaml

receivers:
  otlp:
    protocols:
      grpc:
        endpoint: 0.0.0.0:4317
      http:
        endpoint: 0.0.0.0:4318

processors:
  batch:
    timeout: 5s
    send_batch_size: 1024
  memory_limiter:
    check_interval: 1s
    limit_mib: 512

exporters:
  jaeger:
    endpoint: jaeger:14250
    tls:
      insecure: true
  prometheus:
    endpoint: 0.0.0.0:8889

service:
  pipelines:
    traces:
      receivers: [otlp]
      processors: [batch, memory_limiter]
      exporters: [jaeger]
    metrics:
      receivers: [otlp]
      processors: [batch]
      exporters: [prometheus]

6.3 后端可视化系统

系统	支持信号	特点
Jaeger	Traces	CNCF 项目，专注分布式追踪
Zipkin	Traces	轻量级追踪系统
Prometheus	Metrics	拉取模式指标采集
Grafana	All	统一可视化面板
Grafana Tempo	Traces	高性能追踪后端
Grafana Loki	Logs	日志聚合系统
Langfuse	Traces	LLM 应用专用可观测性

6.4 练习项目

使用 Docker Compose 搭建 Collector + Jaeger + Prometheus + Grafana
配置 Collector 的 Pipeline

阶段 7：自动检测（Automatic Instrumentation）（2-3天）

7.1 原理

Monkey Patching：在运行时修改库的代码
opentelemetry-instrumentation 提供的自动检测框架

7.2 常用 Instrumentation 库

bash

# Web 框架
pip install opentelemetry-instrumentation-flask
pip install opentelemetry-instrumentation-fastapi
pip install opentelemetry-instrumentation-django

# HTTP 客户端
pip install opentelemetry-instrumentation-requests
pip install opentelemetry-instrumentation-httpx
pip install opentelemetry-instrumentation-aiohttp-client

# 数据库
pip install opentelemetry-instrumentation-sqlalchemy
pip install opentelemetry-instrumentation-redis
pip install opentelemetry-instrumentation-pymongo
pip install opentelemetry-instrumentation-psycopg2

# 消息队列
pip install opentelemetry-instrumentation-celery
pip install opentelemetry-instrumentation-kafka-python

# gRPC
pip install opentelemetry-instrumentation-grpc

# 其他
pip install opentelemetry-instrumentation-logging

7.3 使用方式

python

# 方式一：编程式
from opentelemetry.instrumentation.fastapi import FastAPIInstrumentor
from opentelemetry.instrumentation.requests import RequestsInstrumentor
from opentelemetry.instrumentation.sqlalchemy import SQLAlchemyInstrumentor

FastAPIInstrumentor.instrument_app(app)
RequestsInstrumentor().instrument()
SQLAlchemyInstrumentor().instrument(engine=engine)

# 方式二：命令行自动检测（零代码侵入）
# opentelemetry-instrument python app.py

7.4 自定义 Instrumentation

python

from opentelemetry.instrumentation.instrumentor import BaseInstrumentor
from wrapt import wrap_function_wrapper

class MyLibraryInstrumentor(BaseInstrumentor):
    def instrumentation_dependencies(self):
        return ["my-library >= 1.0"]

    def _instrument(self, **kwargs):
        tracer_provider = kwargs.get("tracer_provider")
        tracer = trace.get_tracer(__name__, tracer_provider=tracer_provider)

        def _wrapper(wrapped, instance, args, kwargs):
            with tracer.start_as_current_span("my_library.operation"):
                return wrapped(*args, **kwargs)

        wrap_function_wrapper("my_library", "Client.call", _wrapper)

    def _uninstrument(self, **kwargs):
        pass

7.5 练习项目

对 FastAPI + SQLAlchemy + Redis 应用进行全链路自动检测
编写自定义 Instrumentor

阶段 8：实战项目（3-5天）

8.1 项目：可观测的微服务应用

架构：

Client → API Gateway (FastAPI)
            ├── User Service (FastAPI)
            │       └── PostgreSQL
            ├── Order Service (FastAPI)
            │       └── Redis + PostgreSQL
            └── Notification Service (FastAPI)
                    └── Celery + RabbitMQ

实现要求：

所有服务使用 OpenTelemetry 进行 Traces + Metrics + Logs 采集
使用 OTLP 导出到 Collector
Collector 将数据分发到 Jaeger（Traces）+ Prometheus（Metrics）+ Loki（Logs）
Grafana 统一展示面板
实现跨服务的 Context 传播
自定义业务指标（订单量、用户注册数等）

8.2 项目：LLM 应用可观测性

架构：

Client → FastAPI
           ├── LLM Agent（多步骤推理）
           │     ├── Prompt 管理
           │     ├── Tool 调用
           │     └── LLM API 调用
           └── 向量数据库（RAG）

实现要求：

追踪 LLM 调用链路（包括 Token 使用量、延迟、模型参数）
追踪 Agent 的多步骤推理过程
追踪 RAG 检索过程
记录 Prompt 和 Completion 内容
集成 Langfuse 进行 LLM 专用可观测性

阶段 9：生产最佳实践（2-3天）

9.1 性能优化

采样策略选择：生产环境使用 ParentBased(TraceIdRatioBased) 避免全量采集
BatchProcessor 调优：合理配置 max_queue_size 和 export_timeout_millis
属性数量控制：避免高基数（high cardinality）属性
内存管理：使用 memory_limiter Processor 防止 OOM

9.2 可靠性保障

优雅关闭：确保 shutdown() 被调用，刷新缓冲区

python

import atexit
from opentelemetry.sdk.trace import TracerProvider

provider = TracerProvider()
atexit.register(provider.shutdown)

错误处理：Exporter 失败不应影响业务逻辑
重试机制：OTLP Exporter 内置重试

9.3 安全考量

敏感数据脱敏：不要在 Span 属性中存储密码、Token 等
TLS 加密：生产环境中 OTLP 传输使用 TLS
访问控制：限制 Collector 和后端的访问权限

9.4 环境变量配置

bash

# 通过环境变量配置（零代码修改）
export OTEL_SERVICE_NAME="my-service"
export OTEL_EXPORTER_OTLP_ENDPOINT="http://collector:4317"
export OTEL_EXPORTER_OTLP_PROTOCOL="grpc"
export OTEL_TRACES_SAMPLER="parentbased_traceidratio"
export OTEL_TRACES_SAMPLER_ARG="0.1"
export OTEL_RESOURCE_ATTRIBUTES="deployment.environment=production,service.version=1.2.3"
export OTEL_LOG_LEVEL="info"
export OTEL_PYTHON_LOG_CORRELATION="true"

9.5 监控告警

基于 Metrics 配置 Prometheus AlertManager 告警规则
基于 Trace 延迟和错误率配置告警
使用 Grafana 构建 SLO 仪表板

四、推荐学习资源

官方资源

资源	链接
OpenTelemetry 官方文档	https://opentelemetry.io/docs/
Python SDK 文档	https://opentelemetry.io/docs/languages/python/
Python SDK GitHub	https://github.com/open-telemetry/opentelemetry-python
Python Contrib GitHub	https://github.com/open-telemetry/opentelemetry-python-contrib
语义约定	https://opentelemetry.io/docs/specs/semconv/
OTLP 规范	https://opentelemetry.io/docs/specs/otlp/

书籍与课程

资源	说明
《Cloud-Native Observability with OpenTelemetry》	系统讲解 OTel 理论与实践
《Observability Engineering》	可观测性工程方法论
OpenTelemetry Bootcamp（YouTube）	官方视频教程

工具与平台

工具	用途
Jaeger	分布式追踪可视化
Grafana + Tempo + Loki + Prometheus	全栈可观测性平台
Langfuse	LLM 应用专用可观测性
SigNoz	开源 APM（原生支持 OTel）

五、学习检查清单

阶段 1：基础概念 ✅

[ ] 能解释 Traces、Metrics、Logs 三大信号的区别和关系
[ ] 能画出 OpenTelemetry 的整体架构图
[ ] 能解释 API 和 SDK 分离设计的意义
[ ] 成功安装并运行第一个 OpenTelemetry Python 示例

阶段 2：Traces ✅

[ ] 能创建 TracerProvider 并配置 Resource
[ ] 能使用 Tracer 创建嵌套 Span
[ ] 能为 Span 添加 Attributes、Events、Status
[ ] 能正确处理 Span 中的异常
[ ] 理解 BatchSpanProcessor 和 SimpleSpanProcessor 的区别
[ ] 能配置不同的采样策略

阶段 3：Metrics ✅

[ ] 能区分 Counter、Histogram、Gauge 等 Instrument 类型
[ ] 能创建并使用同步和异步 Instrument
[ ] 能配置 PeriodicExportingMetricReader

阶段 4：Logs ✅

[ ] 能将 Python logging 与 OpenTelemetry 集成
[ ] 能实现日志与 Trace 的自动关联

阶段 5：Context 传播 ✅

[ ] 能解释 W3C TraceContext 的格式
[ ] 能手动注入和提取 Context
[ ] 能使用 Baggage 传递跨服务数据

阶段 6：导出与后端 ✅

[ ] 能配置 OTLP Exporter（gRPC 和 HTTP）
[ ] 能部署和配置 OpenTelemetry Collector
[ ] 能搭建完整的可观测性后端栈

阶段 7：自动检测 ✅

[ ] 能使用 Instrumentation 库自动检测常用框架
[ ] 能编写自定义 Instrumentor
[ ] 能使用命令行方式零代码接入

阶段 8：实战 ✅

[ ] 完成微服务可观测性项目
[ ] 能在 Grafana 中构建监控面板

阶段 9：生产实践 ✅

[ ] 能通过环境变量配置 OpenTelemetry
[ ] 理解性能优化和安全最佳实践
[ ] 能设计生产级别的可观测性方案

六、每阶段建议学习笔记文件

learnNote/opentelemetry/
├── 0_learn_plan.md              ← 本文件
├── 1_basic_concepts.md          ← 基础概念与架构
├── 2_traces.md                  ← Traces 深入
├── 3_metrics.md                 ← Metrics 深入
├── 4_logs.md                    ← Logs 深入
├── 5_context_propagation.md     ← Context 传播
├── 6_exporters_and_backends.md  ← 导出与后端集成
├── 7_auto_instrumentation.md    ← 自动检测
├── 8_practice_project.md        ← 实战项目
├── 9_best_practices.md          ← 生产最佳实践
└── examples/                    ← 代码示例
    ├── basic_trace.py
    ├── basic_metrics.py
    ├── basic_logs.py
    ├── context_propagation.py
    └── full_stack_example/

OpenTelemetry 学习计划（Python） ​

一、学习目标 ​

二、学习路线总览 ​

三、详细学习计划 ​

阶段 1：基础概念与架构（2-3天） ​

1.1 可观测性基础 ​

1.2 OpenTelemetry 架构 ​

1.3 Python SDK 安装与基本配置 ​

1.4 学习资源 ​

阶段 2：Traces 深入（3-4天） ​

2.1 核心概念 ​

2.2 TracerProvider 与 Tracer ​

2.3 创建和管理 Span ​

2.4 Span 属性（Attributes） ​

2.5 SpanProcessor 详解 ​

2.6 采样策略（Sampling） ​

2.7 练习项目 ​

阶段 3：Metrics 深入（2-3天） ​

3.1 核心概念 ​

3.2 MeterProvider 与 Meter ​

3.3 使用各类 Instrument ​

3.4 Views（视图） ​

3.5 练习项目 ​

阶段 4：Logs 深入（1-2天） ​

4.1 核心概念 ​

4.2 集成 Python logging ​

4.3 日志与 Trace 的关联 ​

4.4 练习项目 ​

阶段 5：Context 传播机制（2-3天） ​

5.1 核心概念 ​

5.2 传播器配置 ​

5.3 手动注入/提取 Context ​

5.4 深入理解 ​

5.5 练习项目 ​

阶段 6：导出与后端集成（2-3天） ​

6.1 OTLP Exporter ​

6.2 OpenTelemetry Collector ​

6.3 后端可视化系统 ​

6.4 练习项目 ​

阶段 7：自动检测（Automatic Instrumentation）（2-3天） ​

7.1 原理 ​

7.2 常用 Instrumentation 库 ​

7.3 使用方式 ​

7.4 自定义 Instrumentation ​

7.5 练习项目 ​

阶段 8：实战项目（3-5天） ​

8.1 项目：可观测的微服务应用 ​

8.2 项目：LLM 应用可观测性 ​

阶段 9：生产最佳实践（2-3天） ​

9.1 性能优化 ​

9.2 可靠性保障 ​

9.3 安全考量 ​

9.4 环境变量配置 ​

9.5 监控告警 ​

四、推荐学习资源 ​

官方资源 ​

书籍与课程 ​

工具与平台 ​

五、学习检查清单 ​

阶段 1：基础概念 ✅ ​

阶段 2：Traces ✅ ​

阶段 3：Metrics ✅ ​

阶段 4：Logs ✅ ​

阶段 5：Context 传播 ✅ ​

阶段 6：导出与后端 ✅ ​

阶段 7：自动检测 ✅ ​

阶段 8：实战 ✅ ​

阶段 9：生产实践 ✅ ​

六、每阶段建议学习笔记文件 ​

OpenTelemetry 学习计划（Python）

一、学习目标

二、学习路线总览

三、详细学习计划

阶段 1：基础概念与架构（2-3天）

1.1 可观测性基础

1.2 OpenTelemetry 架构

1.3 Python SDK 安装与基本配置

1.4 学习资源

阶段 2：Traces 深入（3-4天）

2.1 核心概念

2.2 TracerProvider 与 Tracer

2.3 创建和管理 Span

2.4 Span 属性（Attributes）

2.5 SpanProcessor 详解

2.6 采样策略（Sampling）

2.7 练习项目

阶段 3：Metrics 深入（2-3天）

3.1 核心概念

3.2 MeterProvider 与 Meter

3.3 使用各类 Instrument

3.4 Views（视图）

3.5 练习项目

阶段 4：Logs 深入（1-2天）

4.1 核心概念

4.2 集成 Python logging

4.3 日志与 Trace 的关联

4.4 练习项目

阶段 5：Context 传播机制（2-3天）

5.1 核心概念

5.2 传播器配置

5.3 手动注入/提取 Context

5.4 深入理解

5.5 练习项目

阶段 6：导出与后端集成（2-3天）

6.1 OTLP Exporter

6.2 OpenTelemetry Collector

6.3 后端可视化系统

6.4 练习项目

阶段 7：自动检测（Automatic Instrumentation）（2-3天）

7.1 原理

7.2 常用 Instrumentation 库

7.3 使用方式

7.4 自定义 Instrumentation

7.5 练习项目

阶段 8：实战项目（3-5天）

8.1 项目：可观测的微服务应用

8.2 项目：LLM 应用可观测性

阶段 9：生产最佳实践（2-3天）

9.1 性能优化

9.2 可靠性保障

9.3 安全考量

9.4 环境变量配置

9.5 监控告警

四、推荐学习资源

官方资源

书籍与课程

工具与平台

五、学习检查清单

阶段 1：基础概念 ✅

阶段 2：Traces ✅

阶段 3：Metrics ✅

阶段 4：Logs ✅

阶段 5：Context 传播 ✅

阶段 6：导出与后端 ✅

阶段 7：自动检测 ✅

阶段 8：实战 ✅

阶段 9：生产实践 ✅

六、每阶段建议学习笔记文件