為什麼不該開啟所有警示：警報還是摘要

一場嚴重事故之後，第一個直覺總是一樣：把所有警示都打開。六週之後，卻一則也沒有在讀，而這並不是自律的問題。

警報的價值不在於響起，而在於被讀到。每天都響的警報，會讓人學會忽略它，而它在被忽略的同時，也會把真正重要的那一則一起帶走。

新增警報之前的三個問題

如果它在凌晨三點響起，我會起床嗎？如果答案是不會，那它就不是警報，而是一則備註。備註應該放在別的地方。

我能為它做些什麼嗎？無法採取行動的警告不是資訊，只是焦慮。磁碟溫度 41 度，這樣的訊息不是警報。

一切正常時，它多久會響一次？如果答案不是很少，那問題就不在警報，而在門檻。在一顆長期維持在 82% 的磁碟上，80% 的門檻產生的不是警報，而是習慣。

能修正大多數設定的那一個區分

警報和摘要是兩回事。警報很少出現，而且會打斷手邊的事：必須放下正在做的事情去查看。摘要則定期出現，可以配著咖啡從容地讀。

大多數被設成警報的東西，其實屬於摘要。有多少個更新、那台機器昨天溫度偏高、那份備份已經三天沒做：這些都不值得半夜起床，卻都值得知道。

一旦做出這個區分，就會有兩項收穫：警報清單變短，重新被認真看待；摘要也真的會被讀，因為裡面有內容。

門檻不是技術細節，而是設計本身

與其因為聽起來合理而挑選門檻，不如先量測自己的機器在正常時是什麼樣子。在一台磁碟始終維持在 78% 的伺服器上，80 是錯的，90 才對。在一台負載一直很高的機器上，根本就不該有負載警報。

設定一次門檻就不再理會，也是不夠的。機器會改變，上面的工作也會增加。每年問一次哪個警告真正讓我學到了東西，門檻自然就會得到修正。

最難的部分：不知道不等於沒事

如果一項檢查在讀不到資料時就保持沉默，這份沉默會被解讀為健康。實際上卻是什麼都不知道。

這是監控中最陰險的失誤，因為畫面是綠色的。正確的做法不是說沒有問題，而是說我讀不到這項資料。一個會說出自己看不到什麼的守護者，勝過一個什麼都不說的守護者。

Atlas 的做法

Atlas Watch 不是一連串的警示，而是一份每日摘要。它把一天中累積下來的狀態集中在一處，以可以從容閱讀的形式呈現。

其中有十二項檢查：伺服器重新啟動、根磁碟使用量、記憶體、負載、運作時間、待安裝的更新、安全性更新、需要重新啟動的更新、核心大版本跳升、已停止的關鍵機器、每台機器的處理器與記憶體，以及備份的時效。

每一項檢查都能個別關閉，每一項都能設定自己的嚴重程度，而且大多數項目的門檻由使用者自行決定。門檻有上下限保護，所以不會接受沒有意義的數值：備份時效介於 1 到 60 天之間，磁碟使用量介於 50% 到 99% 之間。

其中一項值得特別一提，因為它回應了上面最難的那一點：讀不到備份資訊時，Watch 不會保持沉默，而是明確說出它讀不到。使用者會把沉默解讀為健康；守護者能否被信任，全取決於這個行為。