只在状态变化时告警：用 cron + 状态文件搭一套不吵人的轻量监控

凌晨三点服务挂了，你早上八点才发现。不是你收不到报警，而是过去一周每五分钟就有一条“一切正常”的推送，那个群早就被你静音了。

监控最难的部分从来不是采集指标，而是在不该说话的时候闭嘴。这篇文章记录一套只用 cron 和一个状态文件就能落地的做法：探针只做判定，状态写盘，只在状态翻转时输出。没有 Prometheus，没有告警平台，一台最低配的服务器就够。

一、先把“探针”和“告警”拆开

很多脚本的错误在于把两件事写在一起：检查、发现问题、顺手发消息。结果是脚本既是探针又是通知器，换一次通知渠道就要动检查逻辑，而且永远回答不了“这东西到底挂了多久”。

拆成三层就清爽了：

1. 探针：只输出一个状态字符串，例如 healthy / unauthorized / unreachable；
2. 状态文件：记录上一次的状态和时间戳，用来去重、算持续时长；
3. 通知器：只在状态变化时，把“新状态 + 上一条状态持续了多久”发出去。

二、最小可用实现

探针脚本 probe.sh，只做判定，退出码永远是 0：

#!/usr/bin/env bash
set -u
DIR=/var/lib/probe
mkdir -p "$DIR"

code=$(curl -s -o /tmp/body -w '%{http_code}' \
       --max-time 8 https://127.0.0.1:5000/v1/api/health || true)

case "$code" in
  200)    state=healthy ;;
  401|403) state="unauthorized" ;;   # 鉴权接口：401 就是“没登录”
  000|"") state="unreachable" ;;
  *)      state="http-$code" ;;
esac

last=$(cat "$DIR/last" 2>/dev/null || echo unknown)

if [ "$state" != "$last" ]; then
  printf '%s' "$state" > "$DIR/last.tmp" && mv "$DIR/last.tmp" "$DIR/last"
  printf '%s' "$(date +%s)" > "$DIR/since"
  printf '%s  %s -> %s\n' "$(date '+%F %T')" "$last" "$state" >> "$DIR/transitions.log"
  echo "$state"     # 只有这一行会变成手机上的推送
fi

有三个细节值得单独说：

1. 状态文件要原子写。 用 printf > tmp && mv，不要直接覆盖。读文件的那一瞬间如果正好写到一半，读到空内容会让下一次判定误以为“状态变了”，凭空制造一条假告警。

2. 退出码恒为 0。 大多数调度器把非零退出当成“任务失败”，于是你不仅收到业务告警，还额外收到一条“探针自己挂了”。把判断结果写在 stdout，把“我跑不动了”留给真正的异常路径。

3. HTTP 状态码先于响应体。 401/403 的 body 通常是空的，先当 JSON 解析再判断会得到“解析失败”，一个真实的鉴权故障就这样被伪装成了脚本 bug。先看 %{http_code}，只有 200 才值得读 body。

三、接到 cron 上

*/5 * * * * /usr/local/bin/probe.sh >> /var/log/probe.log 2>&1

如果调度器支持“只有输出才通知”的脚本模式（stdout 为空就什么都不发），到这里就结束了：正常时零消息，翻转时一条。

如果不支持，加一层薄包装：把非空的 stdout 转成一次 webhook 调用。包装层不要写任何判断逻辑——判断只有一处，才不会有第二个真相。

四、把“观察”和“自愈”拆成两个任务

线上最危险的动作是“探针判断失败就自动重启、自动重新登录”。判断错的代价可能比故障本身更大：涉及账号鉴权的场景，连续失败重试会直接撞上风控，一次掉线被放大成账号锁定。

所以实际部署里我拆成两个任务：

• 观察任务：只读状态、只报变化，永远不执行修复。它的真正价值是测量——某个会话平均能活多久、失败集中在什么时段。这些数据决定了自愈到底值不值得做。
• 自愈任务：频率更低、动作更保守，一次只尝试一次，失败就停下来等人。

先跑一周观察、攒够数据，再决定要不要上自愈。顺序反过来，你会收获一堆“系统正在自我修复”的推送，以及一个越来越难解释的故障史。

五、边界

它不存历史指标，不做趋势分析，替代不了真正的时序数据库。但它能回答三个最要紧的问题：现在是什么状态、什么时候变的、这个状态持续了多久。对单机、单服务、个人项目来说，这三个问题占了告警价值的九成。

整套东西不到六十行，没有依赖，半年后的你自己还能读懂——这大概是它最大的优点。