工作流监控与告警

监控什么指标

核心指标：1）成功率（目标 >95%）；2）平均执行时间（是否在变慢）；3）错误类型分布（哪类错误最多）；4）触发频率（是否异常增减）；5）API 调用量和成本。

告警规则设置

分级告警：P0（工作流完全停止）→ 立即电话通知；P1（成功率低于 80%）→ 即时消息通知；P2（单次执行失败）→ 邮件汇总。避免告警疲劳：合并同类告警、设置静默期、只通知能处理的人。

常见故障排查

工作流突然失败的常见原因：1）第三方 API 变更（检查 API 文档更新）；2）认证过期（重新授权）；3）数据格式变化（上游系统改了字段）；4）额度用完（API Key 余额不足）；5）平台本身故障（查看状态页）。

自动恢复机制

不是所有故障都需要人工介入。自动恢复策略：1）临时错误自动重试；2）认证过期自动刷新 Token；3）备用 API Key 自动切换；4）降级处理（AI 不可用时走规则引擎）。

运维仪表板搭建

推荐方案：1）Make/n8n 内置执行历史作为基础；2）关键指标推送到 Google Sheets 或 Notion 数据库；3）每日/每周自动生成运维报告；4）异常趋势用图表可视化。不需要复杂的监控系统，表格+定时汇总就够用。

版本管理和回滚

工作流修改前要备份。Make 支持场景版本历史，n8n 可以导出 JSON。修改后观察 24 小时确认无异常。如果新版本出问题，能快速回滚到上一个稳定版本。