上周三凌晨两点，老张的微信突然弹出一条消息：「[Nginx] CPU 使用率持续超95%达3分钟」。他一个激灵坐起来，登录后台一看——果然，网站接口全挂了，但因为提前配好了告警，抢在用户投诉前就重启了服务。
别等客户打电话才反应过来
很多小团队用云服务器跑官网、小程序后台或内部系统，图的是便宜省事。可一出问题，没人盯着控制台，故障可能拖上几小时。比如数据库连接池打满、磁盘写满、SSL证书过期，这些都不会自动“喊你”，得靠实时告警来当哨兵。
主流云平台都自带告警能力（不用装额外软件）
阿里云、腾讯云、华为云控制台里，点进「云监控」→「告警规则」，就能为 ECS 实例设置 CPU、内存、磁盘使用率、网络出入带宽等阈值。比如：
• CPU ≥ 90%，持续 2 分钟 → 触发告警
• 磁盘使用率 ≥ 95%，持续 5 分钟 → 触发告警
• 连续 3 次 ping 不通 → 触发告警
通知方式要选对，别只发邮件
邮件延迟高，还容易被归进垃圾箱；短信贵且不支持富文本。更靠谱的是：
✓ 微信公众号模板消息（免费，需认证号）
✓ 钉钉机器人（1分钟配置完，支持@人、加链接）
✓ 企业微信应用消息（适合已有企微团队）
以钉钉为例：在群设置里开通「智能助手」→ 添加「自定义机器人」→ 复制 Webhook 地址。然后在云监控告警回调中填入该地址，并勾选「启用 HTTP 回调」。再贴一段简单示例（注意替换实际 URL）：
{
"msgtype": "text",
"text": {
"content": "⚠️ 云服务器告警：【华东1-ecs-web01】CPU使用率已达96.2%，已持续3分钟！\n👉 查看详情：https://ecs.console.aliyun.com/instance/xxx"
},
"at": {
"atMobiles": ["13800138000"],
"isAtAll": false
}
}进阶建议：加一层「静默期」和「恢复通知」
刚配好告警，最容易被刷屏——比如凌晨批量备份导致 CPU 短暂飙升，连续触发 10 条。建议开启「静默期」（如 5 分钟内同类型告警只发 1 条），并在告警恢复时也推送一条「✅ 已恢复正常」，心里踏实。
另外，别忘了给关键服务单独加「端口存活检测」。比如你的 Node.js 应用监听 3000 端口，光看 CPU 没用——它可能进程还在，但服务已假死。云监控支持主动拨测 HTTP 接口或 TCP 端口，5 秒一次，比等用户反馈快多了。
最后提醒一句：告警不是设完就完事。每月抽 5 分钟翻翻历史记录，看看哪些是误报、哪些真有隐患。把“服务器不出事”变成“出了事马上知道”，才是小团队稳住线上服务的第一步。