指标：系统状态与性能的量化（CPU、QPS、延迟）；日志：事件的详细记录；链路：一次请求的完整调用路径。三者结合，才能既知道“出了事”，又知道“哪里出事”。
有了这三支柱，再配上告警规则与告警触达，就构成完整的监控体系。
原则：先有基础监控（可用性/性能），再逐步精细化；告警要避免“狼来了”，规则要收敛有效。
一套监控系统的组成。
Prometheus/云监控采集。
Grafana 看板展示。
集中采集与检索。
请求全链路定位。
多渠道告警通知。
服务存活与探活。
从基础到完善。
监控服务器资源、服务可用性与核心性能指标。
集中采集日志，支持检索与错误追踪。
设定关键指标告警规则，多渠道触达，避免漏报。
加链路追踪与业务指标，形成完整可观测体系。
优先监控的关键指标。
| 层级 | 指标 |
|---|---|
| 资源 | CPU、内存、磁盘、带宽 |
| 应用 | QPS、延迟、错误率 |
| 数据库 | 连接、慢查询、主从延迟 |
| 业务 | 转化、成功率、关键事件 |
收敛规则：合并同类告警、设置合理阈值、分级告警（严重/警告），避免“狼来了”。
云平台自带监控起步最快；自建用 Prometheus + Grafana；日志用 ELK/Loki。按规模与能力选择。
统一格式与 requestId 关联，支持按时间/关键词/链路检索，快速定位错误现场。
建立应急预案与操作手册，告警附处理指引，配合演练提升处置速度。
