先说结论：上线一套 WMS 或自动化系统，告警通道要按**一级（短信+电话）→二级（企业微信@群）→三级（企业微信普通消息）→四级（邮件日报）**四档配，响应时限分别是 5 分钟、30 分钟、4 小时、次日。所有告警都发短信的方案，我见过三次，三次都死在"告警疲劳"上——值班的人第 47 条短信开始就不再看了，第 48 条恰好是真火警。
为什么告警分级是实施问题，不是运维问题
很多项目把告警当成"上线后运维的事"，实施顾问拍拍屁股就走。我做过 30 多个上线项目，负责任地说：告警规则必须在 UAT 阶段就定死，因为告警分级直接决定了异常处理流程，而异常处理流程是 WMS 蓝图里必须签字的部分。
2023 年 11 月，深圳一家做跨境电商的客户，WMS 上线第二个月。凌晨 2 点 14 分，系统因为接口队列积压触发了库存冻结告警——告警只发了邮件。值班主管的手机开了勿扰，邮件躺在收件箱里。第二天早上 8 点开工，2000 多个订单因为库存冻结发不出去，客服电话被打爆。直接损失：当天少发约 18000 单，按他们平均客单价 22 美元算，一天流水蒸发近 40 万美元，还不算平台延迟发货的罚款。这个坑我见过三次，每次都是"告警发了，但没人看"。
反常识的判断来了：告警漏看，90% 不是通道问题，是分级问题。 我见过另一个极端——美东一家 3PL，冷链仓的温度探头每 5 分钟波动一次就发一条短信，值班经理一晚上收到 60 多条短信，第三天直接把告警号码拉黑了。告警太多等于没有告警。分级的本质是保护值班人员的注意力，只让真正要命的事情吵醒他。
分步做法：四步配好告警触达链
第一步：先定义分级，一级告警不超过 5 类。
分级标准只看两个维度：影响范围 × 可挽回时间。一级告警的定义是"现在不处理，一小时内必出生产事故"。我给客户的模板一般是这样：
| 级别 | 定义 | 通道 | 响应时限 | 典型例子 |
|---|---|---|---|---|
| 一级 | 一小时内必出生产事故 | 短信+电话 | 5 分钟 | WMS 宕机、冷链断电、消防联动 |
| 二级 | 影响部分作业，可撑几小时 | 企业微信@值班群 | 30 分钟 | 接口积压超阈值、AGV 大面积离线 |
| 三级 | 需要处理但不紧急 | 企业微信普通消息 | 4 小时 | 打印机缺纸、单台 PDA 故障 |
| 四级 | 统计类、趋势类 | 邮件日报 | 次日 | 昨日异常汇总、磁盘使用率 70% |
注意：一级告警清单必须短。我定的铁律是不超过 5 类。超过 5 类，说明你没分清主次，等于没分级。
第二步：配值班轮班表，一个人最多连值两周。
值班表用"主+备"双岗：主值班负责响应，备值班只在主值班 10 分钟无应答时被电话叫醒。轮换周期建议一周一换，最长不超过两周——我见过让一个人连值一个月的，第三周他的响应速度明显变慢，问就是"习惯了，看到告警先 assuming 是误报"。
值班表要进系统：告警平台（如企业微信机器人、短信网关）必须能按日期自动路由到当班人，不能靠人工转发。人工转发是最大的单点故障——2024 年 3 月，华东一家 3PL 的值班主管请假，告警短信发到了他手机上，他在高铁上没信号，备值班压根不知道自己是备选。那次是一级告警：立库堆垛机故障，停线 3 小时，少出 9000 箱。
交接班也要有仪式感：每周一早上 9 点，当班人在企业微信群里发一条交接消息——上周几条一级告警、分别怎么处理的、有没有遗留问题。别小看这条消息，我见过不交接的仓，新值班的人对着一条凌晨的未读告警，完全不知道前任已经处理到一半，重复折腾两小时才发现是误会。
第三步：做升级链，超时自动往上捅。
升级链是这套设计里最容易被省略、也最救命的部分。规则很简单：
- 一级告警发出后 5 分钟，主值班未在系统里点"确认"，自动电话打给备值班；
- 再过 10 分钟无人确认，自动电话打给运营经理；
- 再过 15 分钟，直接打给总经理，同时在企业微信管理群@所有人。
每一级升级都要留记录：谁在几点确认的、处理动作是什么。这个记录不是为了追责，是为了复盘——没有记录的告警流程，下次还会以同样的方式翻车。
第四步：上线前夜 checklist，把告警当成功能测。
这是我的口头禅，也是我每个项目上线前夜必做的事。告警测试清单：
- 每类一级告警，人工触发一次，看短信+电话是否 1 分钟内到达当班人手机
- 模拟主值班不接电话，看 5 分钟后是否自动升级到备值班
- 企业微信机器人 token 是否为生产环境（测试环境的机器人发到测试群，上线后要切）
- 短信网关余额是否充足（别笑，真有客户上线第三天短信发不出，欠费了）
- 值班表是否已排到未来 4 周，且系统里路由正确
- 四级邮件日报的收件人列表是否包含甲方 IT 负责人
常见翻车点：告警分级落地最容易踩的三个坑
翻车点一：测试环境和生产环境的告警混在一起。 测试人员半夜压测，触发一堆告警短信，值班人员被吵醒三次后，开始把所有告警当误报。解法：测试环境告警只走企业微信测试群，绝不碰短信通道。
翻车点二：一级告警清单越加越长。 上线半年后，各部门都来提需求："我们这个也很重要，也加一级吧。"半年下来一级告警 20 多类，短信通道又堵死了。解法：分级清单的变更要走评审，实施顾问离场前把评审机制写进运维手册——新增一级告警，必须运营经理和 IT 负责人双签。
翻车点三：只管发，不管收。 告警发出去了，系统显示"已发送"，但短信网关其实丢了 30%。解法：每月做一次"告警健康度"检查——统计发出数 vs 触达数，触达率低于 95% 就换网关。这个检查写进月度运维例会，别靠自觉。
算一笔账：配这套东西的成本，一年下来短信费用加告警平台费用，小仓大概 5000～8000 元，大仓 2～3 万元。而一次凌晨漏看一级告警的损失，前面两个案例摆在那：40 万美元流水蒸发、停线 3 小时少出 9000 箱。这笔账不用我多算。
最后给个可执行的建议：如果你正在做 WMS 选型或实施，把"告警分级方案"写进合同附件，和蓝图一起签字。别等到上线后半夜被电话吵醒，才想起来这事没人定。
作者：林晓｜WMS 实施顾问
