上线 + 监控 + 可观测性 一站套件

这个 pack 包含什么

这是一个真正的后端工程师在产品有真实用户之前那一周会装的套件 — 不是宕机后通宵抢救的那种。每个都开源优先、$20 VPS 跑得起、能跟下一个工具串起来。顺序很重要：每一层喂养下一层。

推荐安装顺序（部署 → 追踪 → 日志 → 指标 → 在线状态 → 告警 → 仪表盘）

顺序是有讲究的。别一上来装仪表盘 — 空盘子什么都教不了你。先把数据源接上，仪表盘是最后那 10% 的工作。

1. 选一个部署目标。Vercel CLI：你在写 JS 框架想要每个 PR 自动预览 URL。Kamal：你已经被 Heroku 类定价宰过，想自己拥有服务器。Coolify：想在自己机器上拿到 Vercel 的体验。选一个，另外两个跳过。
2. 接着装 Sentry。错误是你能加的信噪比最高的遥测。SDK 初始化 5 行代码，立刻开始抓你从来不知道存在的异常。第一天就把 release 追踪开起来 — 让你能回答「这个 bug 是不是上次发版才有的」。
3. OpenTelemetry Collector。别把自己锁死在某家厂商的 SDK 上。Collector 是一个 Go 二进制，从你的 app 收 OTLP，分发到 Sentry / Prometheus / Loki 或任何下游。配一次，换后端不用动业务代码。
4. Prometheus 收指标。从你的 app、Node Exporter、数据库 exporter 抓 /metrics。四个黄金信号 — 延迟 / 流量 / 错误率 / 饱和度 — 都进这里。
5. Loki 收日志。已经用 Prometheus 了，Loki 就是顺理成章的日志存储：同样的标签模型，相似的查询语言，跑在同一台 VM 上。不要把每个 JSON 字段都索引 — 按 service / env / level 打标，剩下的用 LogQL 过滤。
6. Uptime Kuma 做心跳。外部视角的 ping。能抓到你内部栈看不见的宕机（DNS / TLS 证书过期 / CDN 抽风）。自带公开状态页。
7. Alertmanager 接 Prometheus。告警要打在症状上（p95 延迟 > 2s、错误率 > 1%），不是原因上（CPU > 80%）。P1 进电话，P2 进 Slack，P3 进每日汇总。
8. 最后才上 Grafana。数据流通了，再做三个仪表盘：on-call 工程师一个（延迟 / 错误率 / 最近发版），产品一个（注册 / 转化 / 单用户成本），老板一个（uptime % / MAU / 周环比）。通用仪表盘没人看。

你会遇到的取舍

• Vercel vs Kamal vs Coolify — Vercel：零运维、可缩到零、规模上来很贵、栈不归你。Kamal：服务器归你、Docker 是唯一抽象、便宜可预测。Coolify：中间路线，自托管 UI + Docker。大多数团队 MVP 跑 Vercel，账单到 $500/月就迁 Kamal/Coolify。
• Sentry SaaS vs 自托管 — 自托管 Sentry 要起 6 个服务（Kafka / Postgres / Redis / ClickHouse 等）。月 10w event 以下，SaaS 免费层比你的人力时间便宜。等过了免费层 + 有运维人手再自托管。
• Prometheus + Loki + Grafana vs Datadog — Datadog 是付费精品。开源栈 ~$20/月 VPS vs Datadog 单 host $15-31/月，10 个 host 就 $300+/月。代价：你自己照看这套。10 个服务以下开源完胜，50 个服务以上 Datadog 的 ergonomics 开始值钱。
• 推 vs 拉 指标 — Prometheus 是拉模型（它来抓你）。如果你是 Serverless 或短生命周期 job，拉不动 — 用 Pushgateway，或者切到 OpenTelemetry 推到 Collector。别跟模型硬刚。

常见踩坑

• 告警打在原因上而不是症状上。「CPU > 80%」凌晨 3 点把你叫醒，工作负载其实没事。「面向用户的 p95 > 2s」只在真出问题时叫你。先调症状告警，醒了再查原因。
• Grafana 不打 release 标记。半数事故都是「刚发完版就坏的」。部署脚本里加一条 POST Grafana annotation，时间轴上那道火苗每次事故省你 20 分钟。
• 日志字段全索引。Loki 的卖点就是不全索引。如果你每条日志加 50 个 label，基数爆炸，便宜的日志存储变贵的。按 service / env / level 打标，剩下的 grep。
• 所有告警走同一个通道。P1（站挂了）→ 电话。P2（降级）→ Slack @channel。P3（异常）→ 每日汇总。混在一起要么忽略电话要么忽略汇总，两边都失败。
• 没有外部 uptime 探测。你内网 Prometheus 觉得服务在线，但 Cloudflare 或 CDN 在 eu-west 把 30% 的请求丢了。从不同网络的 Uptime Kuma 能抓到。5 分钟就能配。