企业官网建设流程全解析

创业团队监控体系搭建：Prometheus 与 Grafana 最简指标采集实践

许多初创公司在系统可观测性（Observability）上的表现往往走向两个极端：

一种是彻底裸奔：生产环境没有监控、没有告警，服务挂了全靠客户在微信群里艾特客服，或者数据库磁盘被日志打爆停机半天后才由开发者登机df -h排查；
另一种是过度建设：一共就 5 台云服务器，却兴师动众地搭建了 ELK 日志集群、Jaeger 分布式链路追踪、Prometheus 和自定义 APM Agent，仅监控组件就占了 16GB 内存，每个月云账单增加数千元，但在实际排障时大家还是靠grep看日志。

对于 10~30 人的技术团队，最理想的工程策略是：用最小的运维维护成本，搭建一套覆盖 90% 核心故障的“黄金指标监控闭环”。

一、 监控的核心方法论：RED 模型与 USE 原则

初创团队不要去监控成百上千个冷门指标，只需牢牢抓住两套经典的监控模型：

+-----------------------------------------------------------------------+ | 针对面向用户的应用服务 (Application Level): RED 模型 | | 1. Rate (吞吐速率) : 每秒请求数 (QPS / RPS) | | 2. Errors (错误数量) : HTTP 5xx 错误率与核心业务失败率 | | 3. Duration (响应延迟) : P95 / P99 毫秒级耗时响应时间 | +-----------------------------------------------------------------------+ | 针对底层基础设施与主机资源 (Host/OS Level): USE 原则 | | 1. Utilization (利用率): CPU 使用率、物理内存消耗占比 | | 2. Saturation (饱和度) : 系统平均负载 (Load Average)、网络队列积压 | | 3. Errors (硬件错误) : 磁盘 I/O 错误、网卡丢包 (Drops/Errors) | +-----------------------------------------------------------------------+

二、 最简基础设施架构与 Docker Compose 一键启动

一套单节点、高可用、低开销的极简监控栈只需四个容器：

• node-exporter：采集 Linux 主机 CPU/内存/磁盘/网络物理指标；
• prometheus：时间序列数据库与指标拉取引擎；
• alertmanager：告警聚合、抑制与飞书/钉钉 Webhook 路由；
• grafana：可视化仪表盘大屏。

# docker-compose.monitoring.yml version: '3.8' services: node-exporter: image: prom/node-exporter:v1.8.0 container_name: node-exporter restart: unless-stopped volumes: - /proc:/host/proc:ro - /sys:/host/sys:ro - /:/rootfs:ro command: - '--path.procfs=/host/proc' - '--path.sysfs=/host/sys' - '--path.rootfs=/rootfs' ports: - "9100:9100" prometheus: image: prom/prometheus:v2.52.0 container_name: prometheus restart: unless-stopped volumes: - ./prometheus.yml:/etc/prometheus/prometheus.yml:ro - ./alert_rules.yml:/etc/prometheus/alert_rules.yml:ro - prometheus_data:/prometheus command: - '--config.file=/etc/prometheus/prometheus.yml' - '--storage.tsdb.retention.time=15d' # 保留15天历史数据，防止撑爆磁盘 ports: - "9090:9090" grafana: image: grafana/grafana:11.0.0 container_name: grafana restart: unless-stopped environment: - GF_SECURITY_ADMIN_PASSWORD=StrongAdminSecret2026 volumes: - grafana_data:/var/lib/grafana ports: - "3000:3000" volumes: prometheus_data: grafana_data:

三、 业务服务埋点与高价值告警规则配置

在业务应用（以 Python FastAPI 为例）中，只需通过标准中间件暴露 3 个核心 Prometheus 指标：

from fastapi import FastAPI, Request import time from prometheus_client import Counter, Histogram, generate_latest, CONTENT_TYPE_LATEST from starlette.responses import Response app = FastAPI() # 1. 吞吐与错误计数器 (Rate & Errors) HTTP_REQUESTS_TOTAL = Counter( "http_requests_total", "Total HTTP Requests", ["method", "endpoint", "status_code"] ) # 2. 耗时直方图 (Duration) HTTP_REQUEST_DURATION_SECONDS = Histogram( "http_request_duration_seconds", "HTTP Request Latency in Seconds", ["method", "endpoint"], buckets=[0.05, 0.1, 0.25, 0.5, 1.0, 2.5, 5.0, 10.0] ) @app.middleware("http") async def prometheus_middleware(request: Request, call_next): start_time = time.time() response = await call_next(request) duration = time.time() - start_time endpoint = request.url.path status_code = str(response.status_code) method = request.method HTTP_REQUESTS_TOTAL.labels(method=method, endpoint=endpoint, status_code=status_code).inc() HTTP_REQUEST_DURATION_SECONDS.labels(method=method, endpoint=endpoint).observe(duration) return response @app.get("/metrics") def metrics(): """暴露给 Prometheus 定期刮削的 HTTP Endpoint""" return Response(content=generate_latest(), media_type=CONTENT_TYPE_LATEST)

生产级告警规则配置（alert_rules.yml）：

groups: - name: core_alerts rules: # 1. 服务不可用告警 - alert: ServiceInstanceDown expr: up == 0 for: 1m labels: severity: critical annotations: summary: "实例 {{ $labels.instance }} 已失联挂死超过 1 分钟！" # 2. HTTP 5xx 错误率超过 5% - alert: HighHttp5xxErrorRate expr: (sum(rate(http_requests_total{status_code=~"5.."}[2m])) / sum(rate(http_requests_total[2m]))) * 100 > 5 for: 2m labels: severity: critical annotations: summary: "服务 {{ $labels.instance }} 5xx 错误率已达 {{ $value | printf \"%.2f\" }}%！" # 3. 磁盘剩余空间低于 15% - alert: HostDiskSpaceRunningLow expr: (node_filesystem_free_bytes / node_filesystem_size_bytes) * 100 < 15 for: 5m labels: severity: warning annotations: summary: "主机挂载点 {{ $labels.mountpoint }} 剩余磁盘空间不足 15%！"

四、 避坑与落地准则

1. 绝对禁止“告警疲劳（Alert Fatigue）”：如果告警群里每天刷屏上百条无关痛痒的“CPU 瞬时利用率 > 80%”，团队很快就会将该群设置免打扰。所有发到手机或群里的告警，必须是‘需要立即人工介入’的紧急事件；
2. 在 Grafana 导入社区成熟模板：无需从零手动绘制每个图表面板，直接在 Grafana 官方仪表盘市场导入Node Exporter Full（ID: 1860），即可获得专业级的主机全景监控面板；
3. 监控数据不要与生产 DB 放同一块磁盘：Prometheus 自身的高频写日志必须配置独立的存储卷或保留时长（如--storage.tsdb.retention.time=15d），防止监控自身成为撑爆磁盘的元凶。