IT运维监控/可观测性

摘要： 今天试用了一下夜莺开源项目最新的 v9.beta4 版本，对接的是 DeepSeek V4 Flash，感觉易用性极好，给大家看看我的操作过程。 下面是我的 LLM 配置（夜莺菜单里有个 AI 配置 - LLM 管理）： 然后我使用的 Docker compose 搭建的夜莺监控，这个 docker 阅读全文

摘要： 在大型促销（如双11、Black Friday）或突发事件发生时，营销团队常常需要瞬间向百万甚至亿级用户推送通知。如果直接在请求处理程序中同步循环发送，会导致请求线程阻塞、内存与 CPU 飙升，最终压垮服务器。 在 On-call 场景里也有类似需求，比如 Status Page 服务发布故障信息， 阅读全文

摘要： 昨天社区小伙伴问了一个问题： 说：在 Categraf 中采集 es-exporter 的数据，明明配置了 insecure_skip_verify = true 为什么还是报错：x509: cannot validate certificate for 10.0.x because it does 阅读全文

摘要： 对于很多开源项目，有一半想要尝试的人会卡在部署环节，所以我今天想写一篇文章介绍一下如何使用 Docker compose 部署夜莺。但是现在是 AI 时代了，那我肯定要先问一下 AI。结果发现，对于会用 AI 的人，这篇文章是极为多余的。 众所周知，AI 有很多预训练的数据，以英文世界的语料为主，但 阅读全文

摘要： 调研监控系统的时候，通常会看到这四个产品：Prometheus、Grafana、Zabbix、Nightingale，对新手而言，是个选型难题。本文尝试分别解释其适用场景和优缺点，当然了，每个人的认知都有局限，仅供大家参考。 Zabbix Zabbix 是老牌监控产品，主要用于资产设备监控，比如监控 阅读全文

摘要： 故障现场通常不是缺信息。 监控平台在闪红，日志平台能搜到错误，链路图上有一段变慢，群里有人贴截图，也有人问“谁在看”。问题是，十几分钟过去，大家仍然在确认同一件事：这到底是不是故障？影响哪些业务？谁来牵头？要不要升级？有没有人能联系到那个服务的负责人？ 很多团队复盘时会说：MTTR 还是太高，工具要 阅读全文

摘要： 很多事故刚开始时，看起来都是指标问题。接口错误率升高，P99 延迟变大，订单量下降，Redis 连接数打满，Kubernetes Pod 重启，数据库慢查询增多。值班人沿着指标、日志、Trace 查下去，当然能看到很多异常证据，但真正推动根因判断的，经常不是“哪个指标异常”，而是“异常前后发生了什么 阅读全文

摘要： 很多团队已经有 APM 了。 Java 服务接了 SkyWalking，云上应用用了 ARMS，部分云原生团队接了 Jaeger，新项目开始按 OpenTelemetry 做链路追踪。慢接口、错误调用、服务拓扑、Trace 瀑布图，也都能看。 所以当有人再提“统一可观测平台”时，团队会有一个很自然的 阅读全文

摘要： 很多团队说自己在做稳定性治理。真正落到日常工作里，往往还是事故复盘：系统出故障，开会，写原因、影响和改进项；过一阵子，又出故障，再开会。这当然比什么都不记录要好，但它还不是治理。它只是把事故写进文档。 稳定性治理要回答的是更难、也更持续的问题：核心服务这个月到底可用多久，哪些接口消耗了最多不可用时间 阅读全文

摘要： 很多 SRE 团队都有一个很微妙的变化。 过去大家最焦虑的是“没有监控”。 机器有没有指标？ 服务有没有大盘？ 接口有没有成功率？ 日志能不能查？ 链路有没有 Trace？ 告警能不能发到群里？ 这些问题在很多公司已经基本解决了。 Prometheus 有了，Grafana 有了，日志平台有了，AP 阅读全文