talk

告警不是越多越好，而是越准越好。Kubernetes环境复杂、指标繁多，若不加区分地将所有异常都设为告警，会导致“告警疲劳”，关键问题反而被淹没。核心原则是：**告警 = 需要人工介入的、影响业务可用性或稳定性的确定性问题**。比如：Pod 持续 CrashLoopBackOff 超过 5 分钟、API Server 不可访问、核心服务 HTTP 错误率突增至 20% 且持续 2 分钟——这些才该触发告警；而单个节点 CPU 短时飙升、etcd leader 切换（只要恢复快）通常应归入日志或仪表盘观察，而非告警。