告警

背景 半夜响起一条“CPU 高”告警，如果不知道用户是否受影响、应该做什么，它只会增加疲劳。告警必须对应可执行动作。 核心判断 定义影响范围、持续时间和责任团队。 优先使用错误、延迟与预算消耗等用户相关信号。 绑定 runbook，说明排查入口、临时缓解、升级条件和恢复标准。 最小示例 下面保留核心逻辑；业务类型、调用入口和环境配置按项目补齐。 - alert: ApiHighErrorRate expr: error_rate > 0.02 for: 10m labels: { severity: page } annotations: { runbook: "runbooks/api-5xx" } 边界与误区 示例的 error_rate 是需要预先定义的 recording rule，不是内置指标。低流量分母与缺失数据策略要明确，阈值不能直接照搬。 验证方式 回放真实或合成事故，核对触发、恢复与通知路由。让未参与编写的人只依据 runbook 操作一次，检查能否完成有效缓解。 小结 告警必须说明症状、影响、负责人、时间窗口和排查入口，避免只堆数量。