凌晨5点基础设施健康检查

告别早高峰救火：把故障暴露在凌晨

在 IT 运维的日常里，最让人头疼的往往不是深夜的报警，而是早上九点刚过，业务团队准备开周会时，突然发现生产环境磁盘告警或者昨晚的备份静默失败了。这种“上班后才发现故障”的模式，不仅打乱了当天的工作计划，还容易演变成持续数小时的临时救火。我们需要一种机制，在团队真正需要资源之前，提前把潜在的风险暴露出来。

凌晨 5 点的静默巡检与分级告警

这个技能通过内置的 cron 调度能力，在每天 05:00 这个业务低谷期自动触发巡检。它的运行流程非常清晰，主要分为四个步骤：

1. 采集指标：按计划读取目标主机和服务的资源数据。
2. 状态比对：将采集到的数据与预设的 thresholds（如 disk>85%, cpu>90%）进行对比，同时检查昨夜的备份状态、日志输出和关键进程。
3. 生成报告：汇总各项检查结果，输出类似“Disk: prod-1 /data 使用率 88%，等级 warning”的晨间健康报告。
4. 分级触达：对于 critical 级别的异常，通过 Telegram 或 Slack 等渠道即时推送告警；而 warning 级别则安静地汇总到日报中，供运维人员晨会时审阅。

自动化边界与风险控制

虽然自动化能解决重复巡检的问题，但这个技能在设计上保持了足够的克制，明确了自动化的边界。

• 只检测，不盲动：遇到未知异常或需要重启服务、清理磁盘、扩容等破坏性操作时，技能会强制要求人工确认，绝不自动修复或删除数据。
• 敏感信息隔离：在生成的报告和告警中，严格过滤凭证和内部敏感地址，避免二次泄露。
• 容错与降级：当主机不可达时，状态会被准确标记为 unknown 并触发告警，而不是直接报错中断；指标采集失败时，也会保留上次成功的时间戳以便追溯。

对于需要长期运行的稳定版本，建议配合专属配置文件固化参数，并持续记录误报样本以调优阈值。