凌晨报警别只盯 CPU

做运维支持久了以后，我最怕那种只写"服务异常"的报警。凌晨两点被叫起来，如果只有一个红色告警，没有实例、版本、最近发布、错误码和影响范围，排障基本就是摸黑。 我自己后来给服务补监控，会先把链路拆清楚：入口流量、错误率、P95 延迟、数据库连接池、磁盘 IO、队列积压、DNS 解析、下游依赖。CPU 高不一定是根因，CPU 正常也不代表服务没问题。K8s 里还要看重启次数、探针失败、节点压力和最近有没有滚动发布。 值班手册也别写成文档摆设。每个报警后面要有两三步能执行的检查命令，最好带回滚入口。新人值班时最需要的不是大段原理，是先判断影响面，再决定扩容、回滚、切流量还是叫对应业务的人。