上线检查清单与课程总结

上线检查清单

• 每个核心服务是否统一输出 service、env、trace_id、level 和时间字段？
• Agent 挂掉、下游不可用、网络抖动时是否有缓冲和重试？
• 日志中是否有敏感字段脱敏规则？
• 核心接口是否有 QPS、错误率、P95/P99 延迟指标？
• 告警是否有聚合、抑制、升级和恢复通知？
• trace 覆盖率是否能支撑核心链路排障？
• 看板是否能从告警直接跳转到对应时间窗口？
• 日志、指标、trace 的保留周期和成本是否可控？

四个问题检验可运维性

判断一套系统是否可观测，就看它能否回答四个问题：

1. 变慢了，多久能发现？
2. 失败了，能看到哪一步失败？
3. 影响用户了，能估算影响范围吗？
4. 恢复了，能证明真的恢复了吗？

课程总结

日志监控告警系统是一套面向故障处理的工程体系：

• 日志提供细节。
• 指标提供趋势。
• 链路追踪提供路径。
• 告警推动响应。
• 可视化组织上下文。

一句话

不要等线上事故发生后再补监控。每个关键链路都应该在上线前回答那四个问题——能回答，系统才真正具备可运维性。