Agent Skills
返回列表
🔒

自建服务监控与告警实践

IT 运维与安全 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @kunlungrowth/self-hosted-monitoring-guide。

技能介绍

要解决的问题

团队常见的监控困境很具体：服务挂了自己不知道，直到用户投诉；告警太多被忽略，真正严重的故障也没人醒；SSL 证书过期才发现，本可提前两周避免；小团队没人力维护复杂的监控平台，但裸奔又不安心。这套方法论针对的就是从零到能用这一步。

核心思路

没人看的监控等于没有监控，狼来了的告警比没有告警更危险。 监控的目标不是收集数据，而是故障发生时，对的人在对的时间收到可行动的信息。

技能的核心是一套指标三层模型和最小可用监控清单，半天即可搭完：

  • 对外域名 HTTP 200 探测：间隔 60s，必须从外网探，内网自测会漏掉机房网络故障
  • SSL 证书到期监控：提前 14 天与 3 天两级告警
  • 核心端口连通性：数据库、缓存等中间件的 TCP 探测
  • 定时任务心跳：任务完成时主动 push，超时未上报即告警——这是发现静默失败的唯一可靠方式
  • 磁盘水位：80% 警告 / 90% 严重
  • 双通道告警：即时消息 + 短信/电话（严重级）

探测方式按对象选型：网页和 API 用 HTTP(S) 加关键字校验（返回 200 的错误页很常见）；数据库端口通不等于服务可用，能连就该做一次真实查询；定时任务用反向心跳比查日志可靠。

告警规则设计是防风暴的核心：连续失败 2-3 次才报，避免网络抖动吵醒任何人；分级分渠道，P1 用户可感知的全局故障走电话/短信，P2 局部降级走即时消息，P3 趋势提醒每日汇总；发布窗口设静默期，数据库挂了只报数据库，下游 50 个服务不要一起嚎；告警文案必须包含什么挂了、影响什么、第一步查哪里；月度复盘要统计 TOP10，误报调阈值、重复合并、没人处理的删除。

适用边界

本技能提供的是体系设计方法论，不绑定特定监控产品，工具能力细节以官方文档为准。SLA 承诺与合规要求（金融、医疗等行业的可用性审计）需以合同与监管口径为准。

使用场景

  • 小团队需要从零搭建基础监控体系，覆盖外网HTTP探测、SSL到期、端口连通、磁盘水位和定时任务心跳。
  • 监控告警太多导致无人处理时，需要按P1-P3分级分渠道，并配置连续失败才告警的防风暴规则。
  • SSL证书过期才被发现，需要提前14天和3天设置两级到期告警，避免业务中断。
  • 定时任务或备份执行失败但日志无报错，需要用任务完成时主动上报、超时未上报即告警的反向心跳方式发现静默失败。

适合人员

  • 初创公司运维或后端工程师：资源有限，需要在半天内用最小可用清单搭出能发现故障的监控系统。
  • 中小团队技术负责人：经常被无效告警打扰，需要建立分级分渠道和连续失败告警规则来治理告警噪音。
  • 运维工程师或SRE：定时任务静默失败难以排查，需要通过反向心跳监控任务执行情况。
  • 网站或API服务开发者：关心SSL证书到期和外网可用性，需要提前两级告警和外部HTTP探测来保障用户访问。