AI 值守（二）：盯什么才叫盯住了——巡检清单怎么定

📖 摘要：监控工具装了一堆，天天收到一堆「异常」，最后没人看——这不是监控的问题，是清单的问题。巡检清单不是拍脑袋列的，每一项背后都要有一个「不盯它会怎样」的理由。本文讲我们怎么定巡检清单：四类检查（可达性、内容、证书时效、资源水位），每类盯什么、阈值怎么设、怎么把噪音压到最低。附真实清单与阈值，可直接照着抄。

一、监控装上了，消息没人看

给网站配监控，第一周很兴奋：哇，有告警了！第二周开始烦：怎么老有告警？第三周：把通知关了吧。

这个剧本太常见了。问题出在哪？出在清单——什么都在盯，等于什么都没盯住。端口有几十个，页面有几十张，证书有一堆，服务器有一群——全盯，阈值乱设，结果就是告警刷屏，真出事的那条淹没在噪音里。

监控的成败，一半在清单。清单定得好：告警一年没几条，每一条都值得处理。清单定得烂：一天几十条，最后所有人学会忽略它。

二、定清单的第一原则：每一项都要回答「不盯它会怎样」

我们定巡检清单时用的过滤器：这一项如果坏了，会发生什么？发现得晚的代价有多大？

按这个过滤器，检查项分成四类：

注意类别划分背后的逻辑：先保「能不能访问」，再保「内容对不对」，再保「还能撑多久」。前两类是当下故障，后两类是未来故障——巡检清单要把「已经在坏」和「快要坏」都覆盖到。

三、阈值怎么定：宁缺毋滥，有料才吵

阈值定得松，故障漏报；定得紧，噪音刷屏。我们的三个原则：

1. 正常范围留余量：响应时间正常 0.1 秒，阈值定 3 秒——不是定 0.5 秒。留余量是为了只报「真异常」，不报「波动」；
2. 静默是默认状态：一轮巡检全绿，什么都不发。告警是稀有事件，出现就有分量；
3. 实测值必须带上：告警消息里永远有「实测值 + 期望值」——收到的人不用猜严重程度。

四、真实的清单：8 项，为什么是这 8 项

下面是我们自己在用的真实清单（2026-09-02 实测）：

为什么没有第 9 项「每张页面都盯」？因为没必要——首页通了、关键服务通了，整站级别的故障已经覆盖。盯住关键路径，而不是盯住一切——这是清单不膨胀的秘诀。

五、噪音是怎么压没的

清单定完，还有一个问题：磁盘检查、容器检查这类要服务器权限的项目怎么办？客户环境里不一定给你权限。

我们的处理：没有权限的项目，降级为「外部可达性检查」，不硬做。服务器磁盘查不了？那就查服务器端口通不通——端口是外部能验证的，磁盘是内部才能看的。能查什么就查什么，查不到的不硬凑，宁可少一项，不报假数据。

六、小结

巡检清单不是技术活，是取舍活：每一项都要回答「不盯它会怎样」，阈值宁缺毋滥，静默是默认。清单定好，告警一年没几条，每一条都值得处理——这比天天刷屏的监控有用一百倍。

延伸：和「AI 应用独立验收」是同一套思维

如果你觉得这套「定清单」的思路眼熟——是的，它和我们做 AI 应用交付时的验收用例设计完全同构：每一项检查都要回答「不验证它会怎样」，用例覆盖正常、边界、刁钻三类场景，噪音和漏检之间取平衡。

判断一个 AI 交付靠不靠谱，靠的就是同一套取舍：用例是长出来的，不是写出来的。感兴趣可以看我们的独立验收方法论：交付靠不靠谱，看它的用例质量和上线前怎么验——一套可复用的验收方法论。

下一篇讲第二件事：外部信息的盯梢——网站不出事只是底线，竞品变了价、上游发了新版，这些「变化」怎么第一时间知道。

常见问题

巡检清单能直接照抄吗？

四类框架（可达性、内容、证书时效、资源水位）可以直接照抄，具体检查项按你自己的资产改——换 URL、换特征词、换阈值。定好的标准是「每一项都要回答不盯它会怎样」。

巡检会误报或者漏报吗？

误报靠阈值余量和静默设计压到最低（正常范围留余量、正常就不发消息）；漏报是周期巡检的固有边界（30 分钟内故障下一轮才发现）。没有万无一失的监控，好的清单是告警稀少且每条都值得处理。