有有台账、有监控、有日志也接了链路追踪。可一出故障大家还是要靠人肉在群里拼线索。工具往往已经够多真正缺的是把发现、定位和处置接起来。下面用 6 张图说清楚。01先看整条闭环发现异常只是开始。定位、恢复、复盘和预防接得上处理过的问题才不会一再重来。02三类数据怎么配合Metrics 看趋势Traces 找链路Logs 查现场。排障时把三者串起来比来回切平台省事得多。03数据从哪里来应用和基础设施产生数据经过采集、清洗和统一标签再写入对应的存储系统。04告警要落到具体的人一条告警要有级别、上下文和责任人。进入事件流程后处置过程和恢复结果也要留痕。05AI 适合放在哪里先让 AI 整理告警、分析根因、推荐方案。高风险操作保留人审并准备好回滚路径。06建设有没有效果别只数接入了多少工具。发现快不快、恢复要多久、同类问题是否复发这些更值得看。