监控与告警：让服务器看得见、叫得醒

先看业务是否真的可用

首页返回200，不代表登录、搜索和发布都正常。先列两三条关键用户路径，再决定检查页面、接口和后台任务。资源指标帮助解释故障，但不能代替业务验收。

分开观察三层

• 资源：CPU、内存、磁盘空间、负载与网络变化。
• 服务：Web响应、应用进程、数据库连接、队列积压、证书有效期。
• 业务：提交是否保存、搜索是否返回结果、关键接口错误与耗时。

Prometheus告警规则负责判断，Alertmanager处理分组、抑制与通知。云产品的通知渠道、配额和价格需另查实际说明，不能把安装完成当成通知已送达。

让每条告警可执行

写清触发条件、持续时长、负责人、查看位置和安全处置步骤。先观察正常负载再设阈值，减少重复噪声。磁盘告警应引导检查文件增长，不应自动删除唯一备份。

用演练验收

在获准测试环境模拟可恢复的故障，记录触发、送达、处理和恢复时间；未送达就查渠道，收到却不知道如何处理就补手册。不要破坏生产数据库来测试告警。定期复查阈值和接收人，人员与业务变化后同步更新。

这是监控方案清单，没有替读者部署或承诺恢复时间；继续看备份与恢复。

要点与资料来源

站点监控同时覆盖资源、服务和关键业务路径；告警需明确持续条件、通知渠道、负责人和排查步骤。Prometheus 告警规则负责判断，Alertmanager 处理分组和通知。先用可控测试验证通知可达，不以返回200或进程存活代替业务正常。

• 资源指标与关键业务功能分别检查。
• Prometheus 官方区分告警规则与 Alertmanager 的分组、抑制和通知职责。
• 阈值和持续时长按实际负载设置，不照抄统一数字。
• 通知渠道、负责人和恢复确认均需要实际演练。

来源与核验范围

• Prometheus：告警概述：2026-10-01 公开资料核对；仅支持本页明确归属的规则或功能，不代表本账号订单、独立性能测试或退款/恢复保证。

编辑：折腾鸭编辑部。2026-10-01 公开资料整理；没有替读者下单、做退款/恢复模拟或独立性能审计。