監控

如果你有讓 AI agent 或排程每天自動幫你跑事情，它壞掉的那天，多半不會告訴你。要知道它還活著，得反過來做：讓它每次做完都來報到，超過時間沒報到就叫你。這個叫 heartbeat（心跳），也有人叫 dead-man switch。 我家的 Home Assistant 今年有五次「儀表板說正常，其實已經壞了」，最長的 285 天，沒有一次是系統告訴我的。這篇用這五次講清楚：為什麼「沒有錯誤訊息」不等於「沒事」，heartbeat 要怎麼裝。 為什麼壞了不會說 自動化、排程、AI agent，回報的都是「指令送出了」，不是「事情發生了」。 叫喇叭播一段廣播，喇叭回「收到」；叫腳本去續期憑證，腳本回「執行完畢」。中間每多一次交棒，回報跟現實就多脫鉤一層。而最難抓的那種壞法，是根本沒有被叫起來：觸發條件永遠不成立，就沒有執行、沒有錯誤、沒有紀錄，去翻 log 乾乾淨淨。 所以要多一條反方向的線：不是等它報錯，是等它報平安。下面五次，每一次都是這條線該抓、當時卻沒有的。 五次，都是人發現的 回到家，該亮的燈沒亮 今年 4 月那陣子，回家常常發現燈沒亮。4 月 11 日查下去，負責開燈的那條自動化是關著的。 我家的「回家」是一串自動化接力：起點那條先把開燈那條關掉，免得它提早跑，做一輪雜務，最後再把它開回來。那天下午，雜務裡叫除濕機切模式的那一步，雲端 API 回了錯誤。Home Assistant 的預設是動作序列裡任何一步出錯，整條就停在那裡，排在最後的「開回來」永遠沒跑到。 關掉很簡單，開回來排在最後面，而最後面是最容易沒跑到的位置。 修法是在會失敗的那一步加 continue_on_error: true。 回到家，燈又不對 8 月 13 日，夜燈又不亮了。把每台 Zigbee 裝置最後一次通訊的時間拉出來，才對出臥室那顆動作感應器 8 月 1 日就沒電了，玄關那顆 8 月 3 日，各自掉線 12 天和 10 天。 這些裝置透過 Zigbee2MQTT（簡稱 Z2M）進到系統，它的 availability 預設是關的。所以裝置失聯時，系統不會把它標成離線，而是原封不動保留最後一次收到的值。玄關那顆最後回報的是「有人」，於是在系統眼裡，我家玄關從那天起二十四小時都有人站著。自動化等的是「從沒人變成有人」那一下，這一下永遠不會再來。 同一批清點，浴室那顆水感測器已經沒電 285 天，儀表板上一直顯示正常。 這類失敗在自動化層查不到 症狀在自動化層（該跑的沒跑），根因在裝置層（電池沒電）。automation trace 裡乾乾淨淨，因為沒觸發就沒有 trace。 ...