Ο στόχος είναι να γνωρίζετε ότι το σύστημά σας δεν είναι υγιές πριν σας το πούνε οι χρήστες σας. Καλή παρατηρησιμότητα σας επιτρέπει να απαντήσετε σε ερωτήσεις που δεν αναμένατε, όχι απλώς να ελέγξετε ένα σταθερό σύνολο dashboards. Ως tech lead, το ρυθμίζετε πριν από το περιστατικό, όχι κατά τη διάρκειά του.
Σελιδοποιήστε αυτό που αισθάνονται οι χρήστες, όχι εσωτερικές διακυμάνσεις. Αγκυρώστε τις ειδοποιήσεις στα SLOs: ρυθμός σφαλμάτων, latency (p95/p99) και διαθεσιμότητα. Μια αύξηση CPU δεν είναι περιστατικό· η αποτυχία checkout για 2% των χρηστών είναι.
| Ειδοποιήστε για | Μην σελιδοποιήσετε για |
|---|---|
| Ρυθμός σφαλμάτων που παραβιάζει το SLO | Μία αύξηση CPU |
| p99 latency υπό το budget | Ένα αργό αίτημα |
| Αποτυχημένες health checks | Δίσκος στο 60% |
Κάθε ειδοποίηση θα πρέπει να είναι επείγουσα, πραγματική και δράσιμη — ονοματίζει τι είναι λάθος και δείχνει το επόμενο βήμα. Οι ειδοποιήσεις που ενεργοποιούνται συνεχώς εκπαιδεύουν την ομάδα να τις αγνοούν· alert fatigue είναι το πώς τα πραγματικά περιστατικά χάνονται. Προσθέστε health checks και dashboards που δείχνουν τα golden signals με μια ματιά.
Οι ομάδες που παρατηρούν μόνο μετά από ένα περιστατικό πετούν τυφλές: μαθαίνουν για διακοπές από θυμωμένους πελάτες και αποσφαλματώνουν με εικασίες. Η επένδυση στην παρατηρησιμότητα από την αρχή μετατρέπει τα μυστήρια 3 π.μ. σε διαγνώσεις 5 λεπτών, μειώνει τον χρόνο διακοπής και ελευθερώνει την ομάδα να κάνει ship αντί να σβήνει φωτιές.