同一周的两个数字
上周 HomeLab 圈子里流传着两个挺扎心的数字。
一个是小红书一位博主晒的 AI 巡检报告：让 Grok Bot 每天巡检家里内网，才跑了几天就吓了他一跳——那台 debian 上"图方便开的外网映射"，48 小时被扫了 16494 次；群晖登录页一天被试了近 5000 次，用户名全是 administrator 这种；连旁路由后台都被人摸了 8 次。他的原话是：我也是第一次知道，家里这点东西天天有人在敲门。小红书
另一个更早，也更疼：知乎一位独立开发者复盘自己的事故——凌晨 3:12，服务被 OOM Killer 干掉，进程管理器重启五次后判定"不稳定"直接躺平，服务挂了整整 6 个小时，直到早上 9 点第一个用户发邮件来问，他才知道出了事。知乎
这两个故事指向的是同一件事：对绝大多数 HomeLab 玩家来说，宕机不是新闻，"宕机了没人知道"才是损失。 机柜立起来了，远程访问打通了，服务列表越来越长——但我们给这套系统配的"值班"，往往就是自己"想起来了打开看一眼"。
先把今年的痛点排个序
我把今年 B站、知乎、小红书上关于 HomeLab 监控告警的讨论翻了一遍，吐槽其实高度集中在三类，而且互相矛盾：
第一类是"没人知道"：服务挂了靠家人、朋友、自己打开失败才发现，证书过期靠浏览器红锁提醒，备份失败靠某天想恢复时对着空目录发呆。
第二类是"太吵"。知乎一篇讲告警分级与误报治理的文章这个月说得直白：漏报的代价是不知道出了问题，告警疲劳的代价是知道了也不当回事。 CPU 一冲高也推、网络一抖也推，两周之后你就开始无视所有推送，真出事的那条被淹没在刷屏里——监控装了等于没装。知乎
第三类最隐蔽：监控本身成了负担。B站那期 Beszel 视频（GitHub 15K 星的开源监控平台）的评论区像一场需求评审：有人问"告警的及时性如何"，有人问和 zabbix 比怎么样，最扎心的一条是吐槽"通过 docker 启一个监控 agent 是真没见过，也太重了吧"。 知乎更狠的一篇数据中心故障复盘里，服务器凌晨崩溃，监控平台却一片安静——CPU 曲线平滑，内存占用合理，没有任何告警，一个多小时后业务监控先响，运维才意识到问题。 原因很朴素：告警 Agent 活在操作系统里，系统一崩，它跟着一起哑火。哔哩哔哩知乎
三类痛点放一起，结论其实很清楚：HomeLab 的监控问题不是"缺工具"，是缺一张"哪些消息值得在半夜叫醒你"的清单。 先想清楚这个，再选工具，顺序反了就是给自己加班。
哪些告警值得半夜叫醒你
按"叫醒成本"给告警分三级，是我综合今年社区讨论后觉得最实用的框架：
值得打断你的（配手机强推送）：
存储阵列降级、SMART 出现新增坏道、scrub 报错——硬盘的坏消息有潜伏期，晚一天知道，重建时多熬一天。
断电加上 UPS 电量临界。弱电箱跳闸、全屋黑了只有阵列还在写这类事故，圈内今年不止一起。
备份任务失败，或者"该跑没跑"。知乎那篇监控方案里有个反直觉的判断值得抄下来：用来检查"该跑没跑"的场景，比检查"在跑没在跑"更有用。 做法就是让定时任务跑完后朝监控服务 ping 一次心跳，超时没收到才告警——“应该发生但没发生”，才是最贵的那类事故。知乎
对外暴露的端口和证书状态。本月群晖刚经历过一轮重大漏洞下的勒索病毒入侵、多人中招 L0CK3D，任何一条你"临时开一下"却没关的映射，都该有人提醒你。哔哩哔哩
值得每天看一眼的（进日报，不推送）：
CPU/内存长期趋势、容器重启次数、温度波动、下载任务中断。这类信息适合攒成日报，不值得打断任何时刻。
不值得配的：
单次网络抖动、一次性的探测超时。绝大多数误报治理教程教你的第一条就是：连续失败再通知。一个你三天后会关掉的告警，一开始就别配。
工具按人群分，别按教程分
只有一台成品 NAS 的（入门/轻度）： 先把自带的通知开全——邮件、短信或官方 App 推送，SMART 定期检测、存储池告警、更新日志，一个都别关。成品系统这几年的通知能力比大家印象里强，先吃干净这一层，再谈自建。这个阶段加 Docker 装监控，属于典型的教程带节奏。
跑 PVE/飞牛/群晖加十几个服务的（中度，最该看这段）： 一个 Uptime Kuma 容器——这是一个 GitHub 上 60k+ star 的开源监控项目，看门、证书到期、心跳三类检查够用，推送渠道从 Bark、飞书到钉钉全都现成——再加一个 Beszel 或同类面板看主机指标，总共两个容器、几十分钟配置就齐了。 两条硬规矩：第一，监控别和它监控的东西装在同一台机器上，最理想的落点是家里那台"最后才会挂"的小主机或独立小盒子——N100 级别轻负载整机功耗大概个位数瓦，一年电费几十块量级，买断一个"永远醒着的值班员"，这是今年硬盘涨价行情里性价比最高的一小笔钱；第二，推送必须到手机锁屏，进某个群消息池的一律等于没有。知乎
机柜党、多主机多集群的（深度）： Grafana 加 Prometheus，或者 Checkmk 这类全家桶才有意义，但要接受两件事：告警治理得自己慢慢调，分级响应、维护窗口静默、抑制规则一个都不能少，不然就是重演第二类痛点；以及监控栈自己也会挂，得给它单独留心跳。那位做完自建监控方案的开发者就感慨过，搞完之后花在维护监控上的时间比维护业务还多。 对核心玩家这是常态成本，对中度玩家这就是劝退信号——这也是我建议中度党停在两容器方案的原因。知乎
AI 巡检来了，但有个新坑
今年值得单列的变化是：AI 巡检开始进家庭。前面那位小红书博主让 Grok Bot 自己登进爱快路由，把那条开了几年没人管的 SSH 映射停掉、又读了一遍确认，第二天报告里这项就是 0；连开机时老报的环路告警它也查明白了，是两块网卡桥在了同一个网段。 B站上也出现了 n8n 这类教程，自托管部署后做出第一个"网站巡检+飞书告警"的工作流。 这个开源可视化工作流引擎官方节点 400+、GitHub 187K 星，自托管零订阅费，确实是干这活的料。小红书哔哩哔哩哔哩哔哩
方向是对的——重复巡检确实是 AI 该干的活。但两个提醒：Beszel 评论区那句"如果担心这些程序有后门，应该怎么分辨"不是被害妄想——你给 AI 一个能改路由器配置的 shell，等于给自己新开一个攻击面。 巡检建议先只读，改配置的动作留给人确认。监控体系的最后一个盲区，往往是监控自己。哔哩哔哩
双11装机潮前，值得先做的四件事
接下来两周是今年 HomeLab 的"开机高峰"：新机箱、新NAS、新机柜陆续落地。与其急着把服务迁上去，不如先花一个小时给全家做一遍值班安排：
成品 NAS 的系统通知、SMART 计划、存储池告警全部开满——这是免费的一层，先吃干净；
挑一台最不可能先挂的机器，起一个 Uptime Kuma，把老机器上的关键服务、证书和定时任务心跳接进去；
手机推送做一次真实测试：把它用到只剩 3% 以下，看自己会不会被吵醒、会不会顺手划掉；
建一个只进日报的分组，把"值得每天看一眼"和"不值得叫醒你"的告警物理分开。
HomeLab 折腾到最后，成熟标志不是机柜多整齐、拓扑多漂亮，而是你终于知道：宕机不需要马上知道，但该知道的时候，它一定会来叫你。 这个双11，先给你的服务器安排个会值班的。
