接口挂了,拣选员比系统先知道

仓库里的系统是连着的,订单从OMS下来,经过WMS拣选打包,再调快递面单接口出单,最后把发货状态回传给平台。这条链上的接口监控告警,回答的是一个简单的问题:接口断了,谁先知道。链条上的任何一个接口断掉,货就卡在原地。奇怪的是,接口断掉的时候,系统自己往往一声不吭,先发现的人通常是拣选员:扫码没反应,面单打不出来,波次推不下去。客服是第二个发现的:买家来问为什么三天了还没发货。技术团队往往是最后一个知道的,在群里被人圈出来才开始查日志。这个顺序本身就是问题。接口是哑巴,挂了不会喊疼,接口监控告警的任务就是替它喊这一声。喊得越晚,卡住的单越多,补救的成本越高。根据我在多个项目里看到的情形,接口故障的损失很少来自故障本身,大多来自发现得太晚。技术团队最后知道也有结构上的原因:每个系统只看得见自家门口,WMS看得见拣选,OMS看得见订单,接口恰好长在两个系统的交界处,出了问题,两边都觉得不归自己管。监控如果只装在系统内部,交界处就是盲区,盲区越大,发现得越晚。

接口监控告警到底该盯什么

先把结论摆在前面:不是所有接口都值得同等盯。监控告警的清单要按业务伤害排,伤害最大的先盯,盯法也不一样。订单下发接口断了,新单进不来,整个仓库很快就会空转,这是要半夜叫醒人的级别。库存同步接口断了,表面上什么都没发生,实际上线上库存越卖越错,超卖的单会在几天后集中爆发,这是最阴险的一种。面单接口断了,货拣好了打不出单,只能堆在复核台上。回传接口断了,货已经发出去了,平台上还显示待发货,客服会被买家问到崩溃。四种接口,四种死法,盯法不能是一套。

下面这张清单里的数字全部是假设算例,只用来讲清楚配置的思路,不代表任何真实系统的水平:

接口 盯什么 检查方法 失守信号
订单下发 单量是不是突然归零 每5分钟看一次接口心跳与单量 连续两个周期零新单
库存同步 库存数对不对得上 每小时抽查20个SKU比对两边库存 差异超过3个SKU
快递面单 出单成功率 每15分钟看成功率与失败原因 成功率跌破95%
发货回传 回传是不是积压 每30分钟看待回传队列长度 积压超过200单

心跳检测只能回答接口通不通,回答不了业务对不对。接口通着、数据错着,是更常见的故障形态,所以清单里每一行都配了一个业务指标:单量、库存差异、成功率、积压数。只盯心跳的监控,看起来什么都正常,出事的时候一点用都没有。清单定下来之后,先跑两周再调阈值,不要第一天就把阈值定死,跑出来的数据比拍脑袋定的数字可靠。反常识的判断在这里:告警越多不等于监控越好。一个每天发200条告警的系统,三个月后就没人看了,真正的故障会淹没在告警的噪音里。监控最贵的部分不是工具,是半夜被叫醒的人的注意力,这份注意力一旦被浪费掉,就再也要不回来。

接口监控告警的分级:半夜的电话值多少钱

分级是整套配置里最难的一笔账,因为它在回答一个问题:什么事值得把人从床上叫起来。我的分法是三级。第一级是半夜叫醒:订单下发中断、面单全停、WMS整体不可用,这类故障每多拖一个小时,损失就往上翻一倍,值一次深夜电话。第二级是工作时间两小时内处理:库存同步延迟、个别快递渠道面单失败、回传积压在爬升,这类故障要有人接手,但不用叫醒任何人。第三级是早上看:单条告警、成功率小幅波动、非核心接口的偶发超时,这类信息记下来,周会复盘的时候再看。

分级太松等于没有监控,分级太严等于狼来了。场景示意:2024年8月,华南一家日均出库约6000单的仓,把所有接口异常都设成第一级,值班手机第一个月响了90多次,值班工程师开始把告警音关掉睡觉,第二次真正的大故障发生时,电话响了四遍才有人接。分级不是技术动作,是组织动作:每一级都要写清楚谁接、多久接、接不到找谁、处理完谁复核。没有责任人的分级,只是一张好看的表格。值班表也要跟着分级走:第一级的值班人必须保证电话能接通,交接班的时候要当面把未关闭的告警交过去,不能只在群里留一句话。很多复盘最后查到的根子都在这里:告警发出来了,值班表上却没有当天负责人。

一次故障复盘:对账兜底是怎么拦下损失的

场景示意:2025年9月,华北一家做家居大件的仓,库存同步接口在凌晨静默失败,接口本身通着,心跳正常,只是同步过去的库存数停在旧值上。白天照常接单,线上库存显示有货,实际仓里已经卖空了。发现问题的不是监控,是下午三点客服接到第三个买家投诉:下单两天了,物流信息还是空白。复盘的时间线是这样的:凌晨2点接口最后一次成功同步,上午9点超卖开始累积,下午3点客服发现,晚上7点技术团队定位到同步任务卡住,夜里11点库存重新全量同步完成,超卖的订单陆续联系买家协商。

这件事里真正拦下损失的不是告警,是对账兜底。每小时抽查比对两边库存的动作,在上午10点就应该报出差异,但这个仓的对账任务当时只在每天夜里跑一次,等它跑起来的时候,超卖已经发生了大半天。对账是监控的最后一道防线,它不负责发现得快,只负责保证错得有限。心跳、业务指标、对账,三层缺一不可:心跳管通不通,业务指标管对不对,对账管错了能兜回来多少。复盘的结论不是追究谁的责任,是把对账从每天一次改成每小时一次,把库存差异的阈值写进第二级告警。这两处改动加起来的成本很低,改完之后,同样的故障最多错一个小时。复盘报告还要写进值班手册,下一次换值班人的时候,新人不用重新踩一遍这个坑。

接口只会越来越多,系统之间的连线只会越来越密,监控的思路也要跟着变:从盯接口通不通,转向盯业务对不对得上。通着的接口也可能在错着同步,绿着的大屏也可能盖着正在累积的超卖。下一次接口挂掉的时候,你们仓库谁会先知道?如果答案还是拣选员或者客服,这篇接口监控告警清单就值得照着做一遍。 作者:陈博士|供应链行业研究员