接口挂了谁先知道：WMS 对接的监控告警配置

做 WMS integration monitoring alerting 这行十几年，我最怕的不是设备坏——电机烧了有备件，皮带断了看得见。最怕的是接口死得悄无声息。你这边分拣机跑得欢，对面系统的单子一个都没收到，等发现的时候，仓库里已经堆了半天的货。这件事说白了就是一句话：接口死的时候，第一个知道的人必须是系统，不是人。

接口有三种死法，死法不一样，监控也得不一样

先把原理掰开。WMS 对接这事，这就像两家仓库之间修了一条传送带，单子是货。你以为传送带要么转要么停，其实它有三种坏法。

第一种，超时。 对方系统没响应，连接卡在那儿不动。这就像打电话，对方一直"嘟——嘟——"没人接。好处理，设个超时阈值就行，比如 30 秒没回就判死。但坑在于：有些系统是"假死"，连接没断，就是慢。2023 年我在一个 Fontana 的 3PL 仓做项目，ERP 那边接口平均响应 2 秒，某天突然变成 45 秒——没超时、没报错，单子照走，只是越走越慢。到下午两点，积压了 1800 多个出库单，分拣线全停了。教训：光监控"通没通"不够，还得监控"快不快"。

第二种，丢单。 发出去没收到，或者收到了没确认，双方各说各的。这就像寄快递，你显示"已签收"，对方说"没收到"。最阴险的是部分丢单：1000 个单子过去 997 个，丢 3 个。这种故障不会触发任何告警，因为接口本身是通的。去年黑五，一个 Inland Empire 的电商仓，订单接口每小时丢 0.5% 的单，连续丢了三天才发现——客服先发现的，客户投诉"下单三天没发货"。三天，丢了将近 400 单，直接损失加上赔的运费，财务那边算出来小十万美金。

第三种，脏数据。 接口通了，单子也到了，但内容是错的。数量字段多了个小数点，SKU 对错了库位，日期格式 2026/10/15 和 10-15-2026 混着来。这就像货送到了，箱子里装的却是别人的货。这种故障监控最难，因为它在业务层，不在技术层。你得在数据落地之后再验一遍：数量对不对、必填字段全不全、枚举值在不在字典里。

三种死法对应三层监控：连通性（通没通）→ 性能（快不快）→ 数据质量（对不对）。很多公司的监控只做了第一层，后面两层裸奔，还觉得自己"有监控了"。这是典型的伪需求——监控面板上 40 个图表，接口挂了照样没人知道。

四个指标，够了，别再加了

监控指标这事，我见过太多团队一上来列 30 个指标，最后一个都不看。做设备的时候我就这脾气：传感器装多了，操作工反而不知道看哪个。接口监控，四个指标管够：

1. 成功率。 每分钟成功请求 / 总请求。告警线我建议设 99.5%，持续 5 分钟跌破就告警。别设 100%，设了你就等着被半夜叫醒——网络抖一下、对方系统 GC 停顿一下，都会掉一两个点。告警阈值这东西，这就像烟雾报警器：灵敏度调太高，炒个菜就响，响多了你就把电池扣了。

2. 延迟 P99。 注意，是 P99，不是平均值。平均值这东西最会骗人：99 个请求 1 秒，1 个请求 100 秒，平均值 2 秒，看着挺好，但那个 100 秒的请求可能就是你最重要的那个大客户的单。P99 的意思是：99% 的请求都比这个快。用 P99 设告警线，比如 P99 超过 10 秒持续 3 分钟，告警。

3. 队列积压。 有重试队列、死信队列的，看队列深度。正常应该是 0 或者接近 0，突然涨到几百，就是上游或下游出事了。这个指标的好处是提前量：接口还没彻底挂，队列先涨了，你能提前半小时发现。

4. 重试率。 重试超过 5% 就要警惕。重试本身是保护机制，但重试率飙升说明对端已经不健康了。更狠的是重试雪崩：对端慢了，你这边疯狂重试，重试把对端彻底打死。我亲眼见过一次，对端接口响应变慢，客户端 3 秒超时+无限重试，5 分钟之内把对端连接池打满，两边一起挂。重试必须设上限+退避（backoff），这是铁律。

四个指标，每个配一个"正常值"和一个"告警线"，写进一张表贴墙上。新人来了看一眼就知道盯什么。别搞那些花里胡哨的大屏，大屏是给领导参观的，告警是给值班用的。

告警分级：什么事打电话，什么事发邮件

告警最大的坑不是没人告警，是告警太多，没人信了。我管过一个项目，监控配了 200 多条规则，一天发 300 多封告警邮件。三个月后，运维同学给告警邮箱设了自动归档——等于没有监控。这叫告警疲劳，监控领域的老毛病。

我的分级很简单，三级：

关键规则就两条：P1 必须能叫醒人（电话，不是邮件，不是群消息）；P3 绝不打扰人（进了邮箱就行）。中间那档 P2，看你们团队的作息定。还有一条铁律：任何一条告警规则上线前，先问自己——"这条告警响了，我知道该干什么吗？"不知道，就别配。配了也白配，响了也是干瞪眼。

另外，告警一定要有升级机制：P1 发出 15 分钟没人认领，自动打给 backup，再 15 分钟没人理，打给技术负责人。别指望值班的人永远在线，手机没电、开会静音，都是常事。

接口挂了，war room 怎么开

告警响了，下一步是什么？很多团队的答案是"拉个群，大家一起看"。然后群里 20 个人，每个人发一句"我这边看着正常"，半小时过去了，问题还在。这不叫 war room，这叫聊天室。

我这边的流程是死的，四步：

第一步，认领。 P1 告警发出，值班工程师 15 分钟内在群里回"收到，我在看"。没人回，自动升级打电话。war room 里只能有一个 commander，多头指挥必乱。

第二步，止血优先，定位第二。 接口挂了，先想办法让业务不停：切备用通道、降级为人工录单、暂停上游推送——先让仓库能干活，再慢慢查 root cause。我见过最蠢的 war room，花了两小时定位到是对方证书过期，定位过程仓库停了两小时。其实 10 分钟就能先切到手工模式，定位可以慢慢来。先恢复业务，再找病因，这个顺序不能反。

第三种死法（脏数据）要单独说。 脏数据的 war room 不一样：先冻结，别急着重发。数据错了再重发一遍，错上加错。先把有问题的单子圈出来，人工核对一批，确认清洗逻辑没问题，再批量重跑。2024 年初有个仓，SKU 映射错了，重发了三遍，越重发库存越乱，最后花了两天人工盘点才捋顺。

第四步，复盘。 故障恢复后 48 小时内，写个一页纸的复盘：怎么发现的（监控还是人）、止血花了多久、根因是什么、加一条什么监控能下次更早发现。复盘不追责，追责下次就没人敢报故障了。

这笔账得算：监控到底值多少钱

最后算笔账，这是我的老习惯。很多人觉得监控是成本中心，能省则省。我给你算另一笔账。

假设你的仓每天走 8000 单，平均每单毛利 3 美金。接口挂 4 小时，按 1/6 天算，少走约 1300 单，直接毛利损失约 4000 美金。这还没算：客户投诉的退款、加急补发的运费、运营团队干等的工时。一年出两次这种故障，就是小一万美金打水漂。

一套像样的监控呢？云上的监控服务，按指标量收费，一个中等规模的对接，一个月几十到一两百美金；告警电话短信，一年几百美金；值班的人力，本来就是你团队的人，顺手的事。一年总投入，撑死两三千美金。

账很清楚：花两三千，防一万多的损失，还不算品牌和客户信任。 这钱花得值不值，看这一个数就行——你上次接口故障，到底赔了多少钱。赔过的都知道，没赔过的，迟早会赔。

别等下一次凌晨两点的电话了。监控配好，告警分级，war room 流程贴墙上。下次接口再死，第一个知道的是系统，第二个是值班的人——而不是早上六点被客户骂醒的你。

作者：大刘｜自动化设备工程师，前集成商技术负责人