5.2 监控与日志：装上仪表盘

5.2 监控与日志：装上仪表盘

本节摘要：值守生产环境不需要盯着屏幕，需要的是一组看得懂的仪表与一份节奏固定的巡检清单：服务健康、资源水位、请求错误、工作流执行四类仪表，加上日志的三处看点。本节把「值班」从感觉活变成看表活。

5.1 把家安好了，这一节学会值班。运维新手常有的误区是把监控理解成装一套大而全的观测平台——其实值守的头一步是回答「正常长什么样」，答案清楚了，异常自己会跳出来。

值班的第一课：知道正常长什么样

给三件事建立基线。资源基线：正常时段的内存与磁盘水位，比如内存稳在六成、磁盘每周涨百分之一以内。业务基线：每天活跃用户量级、关键页面响应的手感、工作流每天的正常执行笔数。日志基线：错误日志的日常噪音量——零错误的系统罕见，重要的是「平时的错误长这样」。基线记在值班手册里，三周后你对异常的直觉会准得让自己吃惊。

四类仪表的看点如下表，每类都给了「去哪看」和「报警阈值怎么定」：

一、日志三处看点

第一处是容器日志，服务端运行的主叙述。启动异常、插件加载失败、接口报错都在这里，查看与过滤的常用命令：

docker logs --tail 200 nocobase          # 看最近两百行
docker logs -f --since 30m nocobase      # 跟踪最近半小时并持续刷新
docker logs nocobase 2>&1 | grep -i error | tail -50   # 捞最近的错误行
# 预期：错误行带时间戳与请求路径，能直接定位到接口
​

第二处是代理访问日志：谁在什么时候访问了什么、返回码多少。它回答「用户遇到的是个例还是面」——个别四类错误多是数据问题，连续五类错误多半要值班出手。第三处是工作流执行记录，存在库里、在界面上看，3.1 的排障三步就是在这里展开的；值班时扫一眼当日失败执行的分布，比等业务方来报障体面得多。

二、两分钟巡检清单

每天的值守动作压缩成一份两分钟清单，按顺序过：

每日巡检（两分钟版）：
  □ 健康检查接口返回正常，容器无重启
  □ 磁盘水位与昨日相比涨幅正常
  □ 昨日错误日志行数在基线内，无新增报错形态
  □ 核心流程昨日执行笔数与基线吻合，失败记录已扫过
  □ 昨夜的备份任务成功，备份文件大小正常
  （每周加做：附件目录同步核对、备份恢复抽查一份到试验环境）
​

清单的价值在于「不靠记忆」。值班这件事最怕人走茶凉——清单贴在团队协作工具里，谁值班谁打勾，交接班有迹可循。

三、告警接出来：让系统喊人

巡检解决「上班时间」，告警解决「下班时间」。小团队的够用做法是把三类探测接到现成的群机器人上：健康检查失败即报、磁盘超阈值即报、备份任务失败即报。三类探测用一段定时脚本就能实现，思路比工具重要：

# 健康探测脚本骨架（配合定时任务每分钟执行）
HEALTH=$(curl -s -o /dev/null -w "%{http_code}" http://127.0.0.1:13000/api/health)
if [ "$HEALTH" != "200" ]; then
  # 连续失败才报，避免网络抖动造成误报
  echo "$(date) health check failed: $HEALTH" >> /var/log/nocobase-watch.log
  curl -s -X POST -H 'Content-Type: application/json' \
    -d '{"msg":"NocoBase 健康检查异常，请值班同学查看"}' \
    https://你的群机器人地址
fi
​

告警的纪律是「少而准」。每一条告警都必须对应一个明确的处置动作——收到之后知道干什么，而不是先慌再想。处置动作写在告警文案旁边，比如磁盘告警旁标注「查看大文件目录，清理日志或扩容」，让半夜被叫醒的人不用做阅读理解。

⚠️ 常见坑：把日志当成只需要在出事后才看的东西。日志的真正价值在「趋势」：错误行数连续三天缓涨，往往是一场事故的预告。巡检清单里那行「错误日志在基线内」，就是为这个趋势留的观察哨。

💡 关键直觉：监控体系的成熟度不在于装了多贵的平台，在于从异常发生到有人响应要几分钟。小团队用脚本加群机器人，把这个数字压进十分钟，已经赢过大多数团队。

仪表盘的分期建设

不必一步到位上监控平台，按团队规模分期。第一期就是本节的清单加群机器人，零采购成本，覆盖绝大多数小团队的值守需求。第二期，当实例多到两三台、或值班人开始看不过来时，引入主机监控面板，把资源水位从「手动看」变成「图表看」，告警规则照搬第一期的阈值。第三期，业务量上来后再谈接口耗时统计与业务指标大盘——这时你对「正常长什么样」已经很有感觉，配大盘是水到渠成而不是纸上谈兵。

分期的判断标准就一句话：监控工具跟着值班痛点走，不跟着技术潮流走。第一期已经能把「从异常到响应」压进十分钟，对多数团队这就是合格线；跳过清单直接上大盘，大盘里全是没人认领的图表，那是装饰不是值守。

分期对照（抄进运维规划）：
  第一期  清单 + 群机器人        零成本    覆盖小团队
  第二期  主机监控面板           单机免费方案可满足   多实例适用
  第三期  接口与业务指标大盘     需人力投入  业务成型后
​

告警疲劳的解药

告警体系最大的敌人不是漏报，是狼来了。当告警频繁响起而多数无事，值班人开始无视通知——那套体系就名存实亡了。解药三条：第一，每条告警必须对应处置动作，没有处置动作的告警删掉；第二，抖动类误报加连续失败阈值（比如连续三次才报）；第三，每月回看告警记录，把「响过但不用动」的告警逐条治理——要么调阈值，要么加过滤。告警数量的健康趋势是递减的：体系越成熟，误报越少，每条都值得人从床上坐起来。

告警月度体检（十分钟）：
  本月告警总数：____      其中无需处置：____
  治理清单：告警____ → 调阈值或加条件 → 责任人____
  目标：无需处置占比逐月下降
​

装配要点回顾

• 基线先行：资源、业务、日志三套基线记进值班手册，异常靠对照浮出；
• 四类仪表：健康、水位、错误、流程，各有看点与报警参考线；
• 日志三处：容器日志看服务、代理日志看面、执行记录看流程；
• 巡检清单：每日两分钟、每周加备份抽查，靠清单不靠记忆；
• 告警少而准：三类探测接群机器人，每条告警旁写好处置动作；
• 下一步：5.3 学会体检与下钻——仪表报了异常，往哪一层查。