接口挂了谁先知道：WMS对接的监控告警配置

先说结论：WMS对接的监控告警只有一套标准——接口挂了，监控必须比业务先发现。如果客服先接到客户投诉、仓库先发现单子下不来，那这套监控等于没配。我见过太多上线项目，接口文档写得漂漂亮亮，监控页却只有一个绿灯，绿灯的意思是服务器还活着，至于订单有没有真的流过去，没人知道。

2024年11月，华东一个做服装的客户上线新WMS，对接电商平台和快递系统。上线第三天早上，仓库主管打电话问我：为什么系统里一上午没新单？查下来是电商平台的订单接口凌晨2点就断了，中间件一直在重试，重试队列越积越长，到了早上8点积压了600多单。没有一条告警发出来——因为探活接口返回正常，真正传订单的接口早就不通了。客户的原话是：我们花钱上的系统，居然要靠仓库数单子来发现故障。这句话我记到现在。

WMS对接监控的四类告警，每类盯不同的死法

接口的死法有四种，对应四类告警，少一类就留一个盲区。

第一类是探活告警，盯接口通不通。但探活不能只探网关，要探到真正传数据的接口。上面那个服装客户的教训就是探活探错了地方：网关活着，订单接口死了。做法是每个关键接口单独探活，探活频率定在1到3分钟一次，连续两次失败就告警，别等第三次。探活接口本身要轻量，只返回状态，别在探活里查大表。

第二类是队列积压告警，盯数据堵没堵。订单、库存、出库回传各建一个队列水位线，超过阈值就告警。阈值别拍脑袋定：按这家服装仓的数算，平时每小时约400单，积压超过200单、持续15分钟，说明消费端已经跟不上了。这个阈值要在上线前夜用压测数据定下来，写进清单里，而不是上线后凭感觉调。

第三类是失败重试告警，盯数据丢没丢。重试三次还失败的单子必须进死信队列，并且立刻告警到人。最危险的写法是无限重试加静默丢弃——单子在日志里转了几圈，最后谁也不知道它去哪了。死信队列每天要有人清，清单里写清楚谁负责、几点清、清不掉找谁。

第四类是对账告警，盯两边数对不对得上。每天固定时间跑对账：WMS的出库数对平台的发货数、库存数对电商平台的库存数，差异超过约定值就告警。对账是最后一道网，前面三类都漏掉的故障，对账还能在当天兜住。没有对账的对接，上线就是裸奔。

告警类型	盯什么	触发条件示例
探活	接口通不通	关键接口连续两次探活失败
队列积压	数据堵没堵	积压超200单且持续15分钟
失败重试	数据丢没丢	重试三次失败进死信队列
对账	两边数对不对	日对账差异超约定值

三个翻车故事，都是监控没配全

这个坑我见过三次，每次死的姿势都不一样。第一个是上面说的服装客户，探活探错地方，订单接口断了6小时才被仓库发现。修复办法除了把探活改到订单接口，还加了一条业务量告警：每小时新增订单数跌到平时均值的30%以下，直接告警。机器状态正常但业务量断崖，本身就是故障信号。

第二个是2025年3月一个华南的3PL客户，对接了三家快递系统。有一家快递的回传接口间歇性失败，单号回传丢了，客服查不到物流信息，客户投诉量一周涨了三倍。查下来是失败重试没有死信队列，失败的回传在日志里躺着，没人认领。救回来的办法是补死信队列加每日对账，把丢了的回传按单号批量补推。那次之后我给所有项目加了一条铁律：没有死信队列的接口不许上线。

第三个最隐蔽：库存同步延迟。WMS库存变了，电商平台库存两小时后才更新，期间超卖了40多单。接口没断、队列没堵、重试没失败，前面三类告警全是绿的，只有对账能抓到它。库存同步的延迟阈值要单独设：核心SKU同步延迟超过30分钟就告警，别等日对账才发现。超卖的单子要取消、要赔礼、要处理差评，成本远高于一条告警的打扰。

反常识的一点是：告警不是越多越好。告警泛滥的团队最后会把所有告警都当成噪音，真正出事时也没人看。我的做法是分级：探活失败、死信产生、对账差异超标，这三类半夜也要叫醒人；队列积压、同步延迟这类先发工作群，白天处理。分级不清的监控，等于没有监控。

告警发给谁，比告警本身更重要

告警链路的最后一环经常被忽视：告警发出去了，收到的人能不能处理。我见过告警发到项目群，群里二十几个人，没一个人认领，最后还是客户打电话来才有人动。告警必须落到具体的人，写清楚主负责人和备份人，备份人不是摆设，主负责人半小时内没响应，告警自动升级到备份人，再没响应升级到项目经理。升级链路要在系统里配好，不能靠群里喊一嗓子。

告警文案也要说人话：哪条接口、几点几分、影响多少单、第一步该查什么，写在告警正文里。只写"接口异常"四个字的告警，值班的人半夜爬起来还得先翻日志找接口，等于把故障定位的时间白白送掉。好的告警文案长这样：订单接口探活失败，2分钟内两次无响应，当前积压约180单，先查中间件日志，再看平台侧状态页。值班的人照着做，五分钟就能判断是自家问题还是对方问题。

还有一个容易踩的坑：告警通道本身不能依赖被监控的系统。短信通道、邮件通道、企业微信机器人，至少备两条互相独立的路。主通道挂了，告警发不出去，监控再全也是聋子。通道每月测一次，测的就是通道本身通不通，别等到真出事才发现机器人 token 过期了。