实时告警和定期巡检有什么区别？

凌晨三点的电话和月底的例行报告，代表了大模型服务保障的两条路：实时告警是指标越线立刻通知人，定期巡检是按计划逐项主动检查。结论先给：突发故障靠告警，慢性隐患靠巡检，缺了哪一个都会留死角。

一个守夜、一个查房

实时告警像守夜人，眼睛盯着响应时间、错误率、队列堆积这些指标，一旦越过阈值马上把消息推给值班的人，快是它的全部价值。定期巡检像医生查房，每周或每天按清单走一遍：磁盘水位、证书有效期、日志里的异常片段、备份数据能不能恢复。它不追求快，追求的是把守夜人看不见的角落翻出来。两者最大的差别在时间尺度：告警争的是分钟，巡检看的是趋势，混在一个筐里两头都做不好。

告警靠阈值、巡检靠清单

告警的核心是阈值和通知链路：什么指标、超过多少、通知谁、多久没人处理就升级。巡检的核心是一张会更新的清单：检查项、判断标准、负责人。把纳米AI或DeepSeek用来汇总巡检日志、自动整理成日报，可以让查房环节省下大量抄写功夫，但清单本身必须由懂业务的人维护。阈值每季度按实际数据校准一次；清单同理，故障复盘里新出现的检查项要及时补进去。

漏报与误报的两头拉扯

告警调得太灵，半夜全是鸡毛蒜皮的误报，人很快麻木；调得太钝，真正的故障反而被淹没。巡检的问题在另一头：间隔太长，隐患正好在两次检查之间爆发。经验做法是告警只留真正需要立刻动手的项，其余降级成日报；巡检间隔按隐患恶化速度倒推，比如磁盘增长快的机器每天看，变化慢的每月看。把误报率当健康指标定期看，连续两周偏高就该动阈值，别等团队彻底麻木。

两者怎么排班配合

一个可落地的节奏：告警全天候值守，响应按分钟计；巡检固定在每周低峰时段，输出待办清单并限期整改。服务做调度改造时更要两边同步，参考多模型路由和单模型加降级把流量切换的手动步骤演练熟。上线的压力环节别忘了用压测流量和真实流量的思路验证阈值定得对不对，否则告警线可能画在错误的位置。

搭一套最小组合的顺序

先把核心链路的五个指标接进告警，再写第一版十项巡检清单，跑两周修订一轮。第一版清单宁短勿长，十项能坚持执行，好过五十项没人看。边缘点位多的项目，告警通道要考虑设备离线时的兜底，可结合边缘和云端推理的架构一起设计；整机类设备则按一体机和自搭方案里的维护口径安排巡检分工。

对照表

• 触发方式：告警被指标触发，巡检按日历触发
• 反应速度：告警分钟级，巡检按周期
• 擅长抓的：告警抓突发，巡检抓慢性
• 失效形态：告警怕麻木，巡检怕空窗
• 更新节奏：告警规则季度校准，巡检清单月度增补

一句话记住：告警管今晚会炸吗，巡检管下月会炸吗。

聊聊实时告警和定期巡检的常见疑问

• 小项目只做其中一个行不行？：早期可以只做告警，但第一次无告警故障出现后，就该把巡检补上，两者抓的问题不重叠。
• 巡检能不能全靠自动化？：数据采集可以全自动，但「这项指标正不正常」的判断标准要人工定期校准，完全无人盯会慢慢跑偏。
• 各部门的费用怎么按用量摊？：监控本身也有开销，把采集、存储、通知的成本按团队用量拆开记账，口径可参考成本归集和成本分摊。

守夜人和查房医生互为备份，谁也替代不了谁。把两条线都排进日程，故障才会从「惊喜」变成「作业」。把清单贴在值班位旁边，比存进网盘有用。