Prometheus+Grafana企业级监控实战（运维篇）2020版视频课程

如果你现在的监控还停留在「机器卡了登上去 top 看一眼」，或者 Zabbix 里堆了几百个告警项却没人知道哪个该先处理，那这套东西值得你花时间补。Prometheus 加 Grafana 不是什么新鲜组合，但真正在企业里落地过的人都知道，坑不在装软件，而在指标怎么定义、标签怎么打、告警怎么才不吵人。这门课的主题就是把这些落地环节讲清楚，而不是只教你敲几条配置。

先确认你缺的是哪一块

监控这件事可以拆成三层，缺哪层补哪层，别一上来就全盘照搬。

• 采集层：能不能把主机、容器、中间件、业务自定义的指标稳定地抓回来。这里的难点不是 exporter 装没装，而是拉取频率、目标发现、指标标签怎么设计才不炸存储。
• 存储与查询层：PromQL 写不写得出来。很多人卡在这，面对一堆 counter、gauge、histogram 不知道怎么算 QPS、错误率、P99 延迟。
• 告警与展示层：Grafana 面板能不能让值班的人一眼看懂，Alertmanager 的路由、分组、抑制有没有配明白，避免半夜被无意义告警叫醒。

这门课对三层的覆盖是连贯的，跟着走一遍，你会知道自己原先哪一层是靠「凑合」撑过来的。

PromQL 是分水岭

Prometheus 用起来最容易产生错觉的地方，就是以为把数据抓回来就完事了。真正区分「会装」和「会用」的，是查询语言。rate 和 irate 什么时候用哪个、increase 在 counter 重置时怎么表现、聚合时 by 和 without 的区别、子查询和 offset 解决什么问题——这些不弄清楚，画出来的图要么是错的，要么看不出趋势。

课里围绕实际业务指标展开，比如请求量、响应时间分布、资源使用率。练的时候建议你别只看视频，自己起一个环境，把每个查询拆开看返回结果长什么样。PromQL 是个越动手越清楚的东西，光看容易觉得懂了，一写就露馅。

告警配得好不好，值班的人最有发言权

告警是整个监控体系里最容易翻车的部分。阈值定死了不适应业务波动，分组和抑制没配导致告警风暴，路由写错让该收到的人收不到。Alertmanager 那套 route、group、inhibit、silence 的机制，看着是配置文件，实际是运维经验。

学这部分时带着问题去看：哪些告警必须立刻处理，哪些可以静默到工作时间；同一台机器多个指标同时异常时，怎么只发一条而不是十条。把这几个问题想清楚，比背配置语法有用得多。

Grafana 面板不是画得好看就行

大盘的价值在于「被看懂」。变量怎么设、时间范围怎么联动、多个数据源怎么在一张图里对齐、阈值线怎么画才能一眼看出正常还是异常——这些细节决定了面板是给自己看的还是给团队用的。

课程里会涉及业务大盘和系统大盘的搭建思路，你可以借此反思自己现有的面板：信息是不是过载，关键指标是不是被埋在角落里，新来的人能不能不问你就在图上找到答案。

看完你应该能回答

• 一个 counter 类型的指标，怎么正确算出每秒速率并处理重启导致的重置？
• 目标动态变化的环境里，服务发现该怎么选，标签怎么打才不会让查询变得难写？
• 告警风暴出现时，从 Alertmanager 的哪几个配置入手排查？
• 给你一个业务场景，你能设计出采集、查询、告警、展示这条链路吗？

如果这几个问题你现在答不利索，说明缺口就在这，不用绕。找台能折腾的机器，边看边配，比收藏一堆链接实在。