告警的分级是怎么定的？从原理到落地

急诊室从来不按先来后到收病人，而是按轻重分流：危及生命的立即抢救，急症按序处理，轻症排队等叫号。AI 服务的告警体系同理——如果半夜每条告警都把人叫醒，值班一周后人人麻木，真正的故障反而被淹没在噪音里。告警分级要回答的问题就是：哪些事值得立刻拉人，哪些事天亮再说。

先带走一个判断：分级的依据是影响面与紧迫度，而不是报警声音的大小。技术表象不直接等于级别，要看它砸到多少用户、砸得多深。

分级的依据是什么

定级前先问三个问题：影响多大范围——单个用户、部分租户还是全平台；影响多深——完全不可用、劣化还是只是资源紧张；再拖一小时会怎样——继续恶化、保持现状还是自愈。三个答案组合起来，级别基本就定了。常见做法分四档：最高档为全量不可用或数据风险，需立即响应；第二档为大面积劣化，限时处置；第三档为局部异常，工作时间内处理；第四档为潜在风险，仅记录观察。定级标准写成表格贴在值班手册里，避免临场争论。

最高档到底该配什么处置

不同级别对应的动作完全不同。最高档：自动通知与人工升级同时启动，值班即时响应，必要时先执行既定止损动作——如流量切换或降级预案，见容灾切换是怎么触发的？健康探测。第二档：限时响应，按预案路由到对应子系统负责人。第三档：进工作队列，随日常迭代处理。第四档：只入记录，由周会或例行复盘消化。每档都要有时限承诺，没有时限的级别等于没有分级。

四档的判定依据、处置动作与时限，一栏对照。

止损动作能多快生效，取决于平时压测的充分程度，见容量压力测试是怎么做的？每一步都讲透。

谁收、怎么收

通知路径设计两条原则：一条渠道不够，重要级别至少走双通道并要求确认动作，未确认按时限自动升级到上一级负责人；级别越高，打扰方式越强——低级别进工作群即可，高级别直接电话或强提醒。通知内容要自带定位信息：什么指标、超过什么阈值、影响哪个范围、预案入口在哪，让接收人不用先花十分钟翻大盘。指标与大盘的对应关系，见监控大盘的指标是怎么挑的？关键步骤一次讲清。

误报怎么治理

误报是分级体系的慢性病。治理思路有三条：给每条告警建立档案，记录触发次数与处置结论，连续多次「无需处理」的进入降级或停用评审；区分「误报」与「预警」，提前量有价值的信号可以降级保留；定期做告警回顾，把新增告警与下线告警放进同一次评审，总量只减不增。治理的目标并非消灭告警，而是让每条存在的告警都值得被处理。告警记录本身也是日志的一部分，留存规则见日志的保留与合规是怎么平衡的？。

分级体系上线前，还应对预案与通知链路做一次全面核对，核对项见上线前的检查清单有哪些？机制细节全梳理。

告警分级速查表

• 定级三问：影响范围、影响深度、拖延后果
• 四档结构：立即响应 / 限时处置 / 工作队列 / 记录观察
• 通知双通道：高级别强提醒 + 未确认自动升级
• 误报治理：告警档案 + 定期评审，总量只减不增

聊聊告警分级的常见疑问

• 级别定错了会怎样？：把小事定高会消耗值班信任，把大事定低会拖延处置，所以要有事后校准机制，故障复盘时回看定级是否合理。
• 用讯飞星火或纳米AI的能力时，对方的告警归谁？：平台故障由平台方按其承诺处置，自己链路内的调用异常由自己监控，边界要在接入时确认清楚。
• 深夜告警一定要叫醒人吗？：只有自动止损不可行的最高档才值得叫醒，能自动恢复的都应先自动处理，再留到白天复盘。