去年黑五前一周，我去一家 Rialto 的电商仓做巡检，他们的 IT 主管跟我炫耀：今年新接的快递面单接口，QPS 能扛 2000，文档写得漂漂亮亮。我问了他一句话，他当场愣住："这接口要是凌晨两点挂了，第一个知道的人是谁？"
他想了半天说："应该是……早上六点开工的打单员吧。"
你看，接口健不健壮是技术问题，挂了谁先知道是管理问题。绝大多数仓库的接口监控，约等于没有——不是没配，而是配了等于白配：阈值设得离谱，告警全发到一个没人看的邮箱，或者半夜三点一条短信把全组人都吵醒，吵三次大家就把告警群静音了。
我这二十年，见过接口挂掉的死法不下二十种。今天把这套监控告警的配置清单摊开讲，照着配，至少能保证：接口挂了，第一个知道的是你的人，而不是你的客户。
先说结论：监控五个信号，别的都是锦上添花
接口监控别一上来就搞什么全链路可观测大屏。仓库这个场景，盯住五个信号就够了，少一个都可能让你在旺季翻车。
第一，心跳。 接口本身活没活着。最简单也最容易被忽略：每 5 分钟调一次对方的健康检查端点，或者发一个探测报文。快递面单、地址校验、关税计算这类第三方接口，必须有独立心跳。2023 年一家 Ontario 的 3PL 仓，快递商接口证书过期，TLS 握手直接失败，他们的系统没有任何心跳探测，整整 4 个小时打不出面单，积压 9000 多单。心跳探测的成本几乎为零，不配就是纯粹的懒。
第二，错误率。 5 分钟窗口内失败请求占比。注意是"占比"不是"绝对数"——大促期间请求量翻十倍，绝对失败数涨是正常的，占比涨才是真出事。
第三，延迟。 P99 延迟，不是平均延迟。平均延迟 200 毫秒听起来很美，P99 到了 8 秒，意味着 1% 的请求卡死，而这 1% 往往集中在打单高峰的那几分钟，直接把流水线堵住。
第四，积压量。 消息队列、待处理文件数、重试池深度。接口"没挂但变慢"是最阴险的一种死法：表面一切正常，队列越积越深，等你发现时已经积了 3 万条，追都追不回来。
第五，对账差异。 定时对账：我方发出的单量 vs 对方接收的单量。快递面单、EDI 850/856 报文、库存同步，每天至少对一次账。对账是最后一道防线，前面四个信号都漏掉的，这一个能兜底。
阈值怎么定：分三级，别一刀切
阈值最大的坑是"一刀切"：所有接口同一个阈值，要么天天狼来了，要么真出事了没人理。我的做法是按业务影响分三级：
P1 - 电话告警，5 分钟内必须有人响应。 触发条件：核心接口（打单、出库确认、库存同步）心跳连续 2 次失败；错误率 5 分钟窗口超过 5%；P99 延迟连续 10 分钟超过 10 秒。P1 直接打值班人电话，不是发短信，不是发邮件。电话没人接，5 分钟后自动转打第二顺位。
P2 - 短信加群消息，30 分钟内响应。 触发条件：非核心接口（地址校验、物流轨迹回传）错误率超过 3%；消息队列积压超过 5000 条且持续 15 分钟还在涨；重试池里同一批任务失败超过 50 次。P2 发到值班群，值班人回复"收到"即算认领。
P3 - 邮件加日报，白天处理。 触发条件：对账差异小于 0.5%；某个接口 P99 延迟缓慢爬升但没过线；证书还有 30 天过期。这类告警进日报，IT 早会过一遍就行。
这里有个关键细节：阈值必须按接口单独调，大促前两周冻结阈值变更。 我见过最离谱的是一家仓把所有接口的错误率阈值都设成 1%，结果大促期间地址校验接口因为用户乱填地址，错误率常年 2%～3%，告警响了一整天没人理——然后当天晚上真正的 P1 故障也被当成狼来了忽略了。阈值这东西，宁可大促前按历史 P95 数据逐个校准一次，也别图省事一刀切。
告警发给谁：值班表比技术更重要
技术配好了，告警发给一群已经静音了的人，等于零。我坚持三个规矩：
第一，必须有值班表，而且是"一个人"不是"一组人"。 告警发到群里，默认每个人都觉得别人会处理。P1 告警必须点对点：第一顺位是当晚值班工程师，5 分钟无响应自动转第二顺位（IT 主管），再 5 分钟无响应转第三顺位（运营总监，有权做业务降级决策，比如切备用快递商）。值班表每周轮换，提前一周发出，节假日值班给调休——不给调休的值班表，执行不了一个月。
第二，告警渠道按紧急程度分开。 P1 走电话，P2 走短信加企业微信/钉钉群，P3 走邮件。千万别把 P3 的日报也塞进同一个群，信息一多，人就学会了忽略一切。我看过一个 200 多人的大群，一天 300 条告警，P1 混在里面根本没人看见。
第三，每月复盘一次"狼来了"。 把上个月所有的告警拉出来：哪些是真故障，哪些是误报，哪些响了没人理。误报率超过 30% 的阈值必须调，响了没人理的要问责。告警系统和人一样，不复盘就会慢慢烂掉。
另外说个血泪经验：大促前一定要做一次"断网演习"。 找个周末凌晨，把测试环境的快递接口掐掉，看告警几分钟响、值班人几分钟响应、降级预案几分钟生效。纸上谈兵的预案，第一次实战一定掉链子。我经手的仓里，做过演习的和没做过的，大促当晚的表现完全是两个世界。
这套配置值多少钱？我帮你算笔账
配这套东西要花多少钱？说实话，不多。心跳探测加错误率统计，用现成的 APM 工具（Datadog、New Relic，或者开源的 Prometheus 加 Alertmanager）一周能搭起来。人力成本主要是值班补贴：按加州这边行情，工作日夜间值班一天 50～80 美金，周末 100～150 美金，一个月轮下来也就两三千美金。
不配的代价呢？算一笔最常见的账：快递面单接口凌晨挂了，早上 6 点才发现，积压 8000 单。每单延迟一天，快递时效承诺违约、客服投诉、平台罚款（亚马逊 OTDR 掉 0.5 个点，Buy Box 权重直接受影响），加上临时加班追单的人工，一次事故 2 万～5 万美金的损失是保守估计。一年只要出一次，这套监控的钱就回来了十倍。
所以我的 verdict 很直接：接口监控不是 IT 的选修课，是仓库运营的必修课。 你可以没有大屏，没有花里胡哨的可观测平台，但五个信号、三级阈值、一张值班表，这三样今晚就该有。
明天上班第一件事：问问你的 IT，凌晨两点接口挂了，第一个知道的人是谁。如果他答不上来，你知道该干什么了。
