CPU 超过 80% 就告警，一天响十几条，值班的人早就把群设成免打扰，真出事那天也没人点开看一眼，全靠巧合发现。日志里能对上时间点，这种反而好排。
阈值是从别处抄来的固定值，没看这台机器平时就在 70% 上下晃，也没加持续时间，一次编译就能触发一轮，时间长了没人当回事。这一点先确认清楚，后面就不用反复试。
sar -u 1 5 uptime cat /proc/loadavg
「告警阈值设置」排查到最后往往是很小的一处差异，前面那些复杂猜测可以先放一放。偶发问题先统计频率，一小时几次和一天一次，查法完全不同。
改完顺手把文档补一句，省得下次自己重新推一遍。
处理上按这个顺序：先拉一周的监控数据，把日常水位和峰值看清楚；加上持续时间，连续五分钟以上才发，别一抖动就喊人；按业务影响分级，只有真正影响可用性的才走电话。
结果对不对很好判断，一周内告警条数降到个位数，每一条都能对应到真实的性能问题。