兄弟们，最近跟几个小公司的运维朋友聊天，大家共同的痛就是：人少活多，服务器还不少。你说就俩人，要管几十台甚至上百台服务器，每天光手动巡检一遍就得半天，更别提半夜被报警电话吵醒了。今天就跟大家聊聊我们怎么用两个开源工具——Ansible 和 Prometheus，把自动巡检和告警给安排明白的。
为啥选这俩？
先说背景：我们公司也是典型的“运维光杆司令”配置，就我和另一个兄弟。之前是用 shell 脚本循环 ssh 去查，但脚本写多了发现几个问题：
- 服务器一多，脚本执行得慢，还容易卡住
- 新加一台机器要改好几个地方
- 告警全靠自己写 crontab 判断，最后微信被刷屏
后来我琢磨，就得找两个能搭伙干活的工具：一个负责批量下发命令，一个负责7×24小时盯着数据。Ansible 就是那个发号施令的班长，Prometheus 就是那个不睡觉的监控员。
先说说 Ansible 怎么搞定批量巡检
Ansible 这东西其实不复杂，你可以把它想象成一个拿着对讲机的班长。你只要写一份“口令本”（Playbook），它就能对着一群机器同时喊话。关键是它不需要在每台机器上装客户端，走 SSH 就行，这对小公司太友好了。
我们平时巡检主要看三件事：磁盘空间、关键进程、系统日志有没有报错。以前手动一台台登，现在写一个 Ansible Playbook 长这样：
- name: 日常巡检
hosts: all
tasks:
- name: 检查磁盘使用率
shell: df -h | awk '{if(NR>1 && $5+0 > 80) print $1"使用率"$5}'
register: disk_result
- name: 如果发现磁盘超80%就打印告警
debug:
msg: "磁盘告警: {{ disk_result.stdout_lines }}"
when: disk_result.stdout_lines | length > 0
这个剧本一跑，所有服务器里磁盘使用率超过80%的都会列出来。我俩只要每天定时跑一次（比如早上九点），看一眼结果就行。
举个真实场景：有次客户反馈网站慢，我们推了 Ansible 的巡检任务，发现有一台数据库服务器的磁盘空间快满了，日志文件占了几十个 G。原来是谁把 debug 日志开关没关。手动清一下就解决了。要没这个批量巡检，等我们发现的时候估计服务都挂了。
Prometheus 负责 24 小时盯梢
Ansible 是“主动查”，但总不能半夜两点爬起来跑剧本吧？这时候 Prometheus 就派上用场了。它就像一个不睡觉的哨兵，每分钟去每台服务器上抓一次数据（CPU、内存、磁盘、网络），然后根据你定的规则报警。
我们把它跟 Ansible 做了一个简单配合：用 Ansible 来批量部署 Prometheus 的客户端（node_exporter）。写个剧本，一行命令：
- name: 部署node_exporter
hosts: all
tasks:
- name: 复制安装包
copy: src=node_exporter.tar.gz dest=/tmp/
- name: 解压并启动
shell: tar -xzf /tmp/node_exporter.tar.gz -C /opt/ && /opt/node_exporter &
部署一次，以后每台机器的指标就自动上报了。我们在 Prometheus 里配个告警规则，比如：
- alert: 磁盘快满了
expr: disk_free_ratio < 0.1
for: 5m
annotations:
summary: "{{ $labels.instance }} 磁盘只剩下不到10%了！"
这样一旦哪台机器磁盘低于10%，Prometheus 就会通过 Alertmanager 发邮件、钉钉或者飞书消息。我们俩再也不用半夜爬起来看告警了——只有真正出问题才会被叫醒。
两个人怎么分工？
我们实际操作下来，俩人的分工是这样的：
- 一人负责维护 Ansible 的 Playbook（就是那个“口令本”），新服务器上线，直接把这个本子跑一遍，就能装好监控、配好规则。
- 另一人负责调 Prometheus 的告警阈值，避免“狼来了”式的误报。比如磁盘告警，刚开始我们设90%，结果天天告警，后来改成95%才合理。
关键点：Ansible 负责“一次性批量操作”，Prometheus 负责“持续性监控”。它俩分工明确，而且都是开源、免费、社区活跃，小公司完全玩得起。
给你算笔账
以前手动巡检50台服务器，一个人大概要花两个小时（登录、敲命令、看结果、记笔记）。现在用 Ansible 跑一遍，两分钟搞定。告警方面，以前靠人肉盯监控屏，现在 Prometheus 比我们勤快多了。两个人能管住几百台服务器，而且还有时间琢磨怎么优化架构——这才是运维该干的事嘛。
当然，每个公司的场景不一样，我们这只是搭建了一套最基本的巡检告警体系。如果你们还要监控数据库、中间件、或者做可视化大屏，还有更完整的搭配方案。更多思路和现成的配置文件，可以看这个网站：itfangan.com，上面有很多实战过的模板，直接拿来改改就能用。
希望这篇分享能给你一点启发。人少不怕，工具选对，效率翻倍。下次咱再聊聊怎么用 ELK 统一管理日志，那又是另一个故事了。