知识库

把踩过的坑，写成能抄的答案

这里的每篇文章都来自真实场景——包括我们自己搞砸过的事。没有通用科普，只有可以直接执行的配置、清单和判断标准。

当前显示 8 篇文章

指南 2026-08-14

从 0 构建监控体系：指标、日志、链路到底该怎么分工

告警响了却查不到原因，问题往往不在工具，而在没分清三类可观测数据的职责。这篇讲清分工与正确的落地顺序。

陈默·9 分钟阅读

最佳实践 2026-07-28

报警精确率只有 2% 时会发生什么？三个立刻能做的减噪动作，以及我们内部推行已久的三级分类标准。

林一舟·7 分钟阅读

教程 2026-07-09

GET / 返回 200 不代表服务健康。四个最常见的错误写法，以及一份可以直接复制的最小可用配置清单。

陈默·8 分钟阅读

复盘 2026-06-21

我们承诺 12 秒发现故障，那次实际用了 27 分钟。完整时间线、三个根因，以及事后做的五项调整全部公开。

林一舟·10 分钟阅读

产品思考 2026-06-05

宕机时最贵的不是流量损失，而是信任透支。一个诚实、及时的状态页是成本最低的品牌资产。

陈默·6 分钟阅读

对比 2026-05-18

把服务器、存储和工程师工时全部算进去之后，结论常常和直觉相反。附一份可直接套用的计算模型。

周遥·8 分钟阅读

教程 2026-04-30

不用读完两千页文档。这份清单覆盖从最小配置到第一条真正能用的告警规则所需的全部内容。

周遥·11 分钟阅读

集成 2026-04-12

Webhook、自建应用、中转网关三条路径怎么选，以及为什么「可操作的信息」比渠道本身更重要。

林一舟·7 分钟阅读

换个关键词，或者点「全部」看看所有文章。

每周一封

每周四发送一封关于可观测性与 SRE 实践的信。不聊产品，只讲具体怎么解决问题的。

目前 8,600 人订阅 · 随时可退订 · 我们从不转售邮箱地址