程序员如何做「监控告警」：不是事后，是预防
监控告警是生产环境的生命线。
做得好，问题在发生之前就能发现；做得不好，系统崩了才知道。
一、监控的重要性
1. 提前发现问题
用户还没投诉，你就已经知道了。
2. 快速定位问题
出问题的时候能快速找到原因。
3. 了解系统状态
知道系统当前的负载、性能、可用性。
4. 容量规划
根据历史数据规划未来的容量。
二、监控的指标
1. 基础设施监控
- CPU 使用率
- 内存使用率
- 磁盘使用率
- 网络流量
2. 应用监控
- QPS（每秒请求数）
- 响应时间（P50/P90/P99）
- 错误率
- 成功率
3. 业务监控
- 下单量
- 转化率
- 活跃用户数
三、告警的设计
1. 告警分级
- P1：Critical，系统不可用，立即处理
- P2：High，功能受损，30 分钟内处理
- P3：Medium，影响体验，2 小时内处理
- P4：Low，不影响，可以稍后处理
2. 告警收敛
同一个问题不要发多个告警。
用聚合、去重、抑制规则。
3. 告警内容
- 清晰的标题
- 影响范围
- 建议的排查方向
四、常见的错误
❌ 告警太多
每天几百条告警 = 没有告警。
真正的问题被淹没了。
❌ 没有告警阈值
没有设置阈值，系统一直"正常"。
❌ 只看平均值
平均值正常，但 P99 已经很差。
❌ 不看历史趋势
只看当前值，不知道趋势。
五、工具
1. 监控平台
- Prometheus + Grafana（最流行）
- Zabbix
- Datadog
2. 日志平台
- ELK
- Loki
3. 告警平台
- Alertmanager
- PagerDuty
- 飞书 / 钉钉集成
六、一句话总结
监控告警 = 基础设施 + 应用 + 业务指标，告警分级 + 收敛 + 清晰的告警内容。