参考资料

• Google SRE Alerting
• OpenTelemetry Metrics

可观测性（02） - 监控、告警与质量回归闭环

读完后，你应能：

• 能验证“把服务 SLI、模型成本和内容质量放进同一告警上下文，告警必须能指向负责人和处置手册”，并保存输入、输出与失败样本。
• 能验证“服务指标覆盖可用率、P95/P99、错误率和队列”，并保存输入、输出与失败样本。

把服务 SLI、模型成本和内容质量放进同一告警上下文，告警必须能指向负责人和处置手册。

一、先建立全局：监控、告警与质量回归闭环 是什么？

理解“监控、告警与质量回归闭环”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“监控、告警与质量回归闭环”的第一个核心判断是：真实系统的问题通常不在 API 能否调用，而在输入边界、错误恢复和验收证据是否明确。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	为什么需要它	真实系统的问题通常不在 API 能否调用，而在输入边界、错误恢复和验收证据是否明确。
2	核心决策	服务指标覆盖可用率、P95/P99、错误率和队列；
3	落地步骤	定义 SLO 与错误预算。 -> 为每个关键 Span 建仪表盘和 burn-rate 告警。 -> 告警关联版本、模型、Prompt、租户、trace_id 和 Runbook。
4	决策记录怎么写	阈值由真实评测集和 SLO 决定，不使用脱离业务的固定“最佳值”。
5	生产避坑	高基数原文标签会拖垮指标系统。
6	故障演练	注入与“只监控 HTTP 200 会漏掉空答案和错误引用。 -> 注入与“高基数原文标签会拖垮指标系统。 -> 注入与“没有版本维度无法确认回归来自哪次发布。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["为什么需要它"] --> S2
  S2["核心决策"] --> S3
  S3["落地步骤"] --> S4
  S4["决策记录怎么写"] --> S5
  S5["生产避坑"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“监控、告警与质量回归闭环”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“监控、告警与质量回归闭环”的对象和顺序已经明确后，再看可观察的失败：条件缺失、结果不可复现或失败后责任不清。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、为什么需要 监控、告警与质量回归闭环

真实系统的问题通常不在 API 能否调用，而在输入边界、错误恢复和验收证据是否明确。本章给出可以进入设计评审和生产检查的最小框架。

三、监控、告警与质量回归闭环的核心决策

• 服务指标覆盖可用率、P95/P99、错误率和队列；AI 指标覆盖 token、拒答、引用和任务成功。
• 告警按用户影响和错误预算设置阈值，避免对每个单点错误通知。
• 坏例经过去敏、归因和人工确认后进入 Dataset。

四、监控、告警与质量回归闭环的落地步骤

1. 定义 SLO 与错误预算。
2. 为每个关键 Span 建仪表盘和 burn-rate 告警。
3. 告警关联版本、模型、Prompt、租户、trace_id 和 Runbook。

五、监控、告警与质量回归闭环的决策记录怎么写

上线前不要只留下“采用 监控、告警与质量回归闭环”这一句结论。把每个决策和验收证据放在同一张表里，后续模型、数据或流量变化时才能重跑对比。

需要回答的问题	当前决策	必须保留的证据
决策 1	服务指标覆盖可用率、P95/P99、错误率和队列；AI 指标覆盖 token、拒答、引用和任务成功。	对应步骤 1 的数据集、日志或压测结果
决策 2	告警按用户影响和错误预算设置阈值，避免对每个单点错误通知。	对应步骤 2 的数据集、日志或压测结果
决策 3	坏例经过去敏、归因和人工确认后进入 Dataset。	对应步骤 3 的数据集、日志或压测结果

下面的记录可以直接放进项目设计文档。阈值由真实评测集和 SLO 决定，不使用脱离业务的固定“最佳值”。

topic: 监控、告警与质量回归闭环
baseline:
  version: required
  dataset: required
candidate:
  version: required
  change: required
acceptance:
  quality: business_threshold
  p95_latency_ms: service_slo
  cost_per_success: budget_limit
rollback:
  trigger: any_acceptance_regression
  owner: named_on_call

六、监控、告警与质量回归闭环的生产避坑

• 只监控 HTTP 200 会漏掉空答案和错误引用。
• 高基数原文标签会拖垮指标系统。
• 没有版本维度无法确认回归来自哪次发布。

七、监控、告警与质量回归闭环的故障演练

1. 注入与“只监控 HTTP 200 会漏掉空答案和错误引用。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
2. 注入与“高基数原文标签会拖垮指标系统。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
3. 注入与“没有版本维度无法确认回归来自哪次发布。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。

演练必须能回答三个问题：故障是否在预算内快速失败，是否会越权或产生重复副作用，恢复后是否能用同一数据集证明质量没有退化。只有错误日志、没有用户影响和恢复证据，不能算完成排障。

验收清单

• 关键输入、输出、预算和停止条件都有结构化记录。

八、动手验证：先跑通 监控、告警与质量回归闭环，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“监控、告警与质量回归闭环”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

8.1 基线与候选只允许一个变量不同

验证“监控、告警与质量回归闭环”时，先固定样本、基线、候选、成功标准和失败边界。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“监控、告警与质量回归闭环”时，动作是：同环境运行基线与候选，记录输入、中间状态和异常。原始结果不能只保留截图或汇总分数，必须同步保存：可重放命令、结构化日志、输出 Diff、失败样本、版本，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	固定样本、基线、候选、成功标准和失败边界
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	可重放命令、结构化日志、输出 Diff、失败样本、版本
通过阈值	结果符合结论条件，异常输入可解释、可恢复
立即停止	条件缺失、结果不可复现或失败后责任不清

8.2 执行前先排除不可比较条件

“监控、告警与质量回归闭环”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“监控、告警与质量回归闭环”的当前环境重复运行。
• 候选只改变一个与“监控、告警与质量回归闭环”结论直接相关的条件。
• “监控、告警与质量回归闭环”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “监控、告警与质量回归闭环”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

8.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“监控、告警与质量回归闭环”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	固定样本、基线、候选、成功标准和失败边界
过程可回放	同环境运行基线与候选，记录输入、中间状态和异常
结果可审计	可重放命令、结构化日志、输出 Diff、失败样本、版本

“监控、告警与质量回归闭环”的一次合格基线对照按以下顺序执行：

1. 保存“监控、告警与质量回归闭环”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“监控、告警与质量回归闭环”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“监控、告警与质量回归闭环”：同环境运行基线与候选，记录输入、中间状态和异常。
4. 为“监控、告警与质量回归闭环”保存：可重放命令、结构化日志、输出 Diff、失败样本、版本。
5. 使用“监控、告警与质量回归闭环”预登记条件判断：结果符合结论条件，异常输入可解释、可恢复。
6. 如果“监控、告警与质量回归闭环”未通过，不修改第二个变量，先恢复基线并保留失败现场。

九、用一张矩阵验证 监控、告警与质量回归闭环 的关键结论

矩阵按正文顺序列出“监控、告警与质量回归闭环”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
为什么需要它	真实系统的问题通常不在 API 能否调用，而在输入边界、错误恢复和验收证据是否明确。	只改变与“为什么需要它”相关的条件	可重放命令、结构化日志、输出 Diff、失败样本、版本
核心决策	服务指标覆盖可用率、P95/P99、错误率和队列；	只改变与“核心决策”相关的条件	可重放命令、结构化日志、输出 Diff、失败样本、版本
落地步骤	定义 SLO 与错误预算。 -> 为每个关键 Span 建仪表盘和 burn-rate 告警。 -> 告警关联版本、模型、Prompt、租户、trace_id 和 Runbook。	只改变与“落地步骤”相关的条件	可重放命令、结构化日志、输出 Diff、失败样本、版本
决策记录怎么写	阈值由真实评测集和 SLO 决定，不使用脱离业务的固定“最佳值”。	只改变与“决策记录怎么写”相关的条件	可重放命令、结构化日志、输出 Diff、失败样本、版本
生产避坑	高基数原文标签会拖垮指标系统。	只改变与“生产避坑”相关的条件	可重放命令、结构化日志、输出 Diff、失败样本、版本
故障演练	注入与“只监控 HTTP 200 会漏掉空答案和错误引用。 -> 注入与“高基数原文标签会拖垮指标系统。 -> 注入与“没有版本维度无法确认回归来自哪次发布。	只改变与“故障演练”相关的条件	可重放命令、结构化日志、输出 Diff、失败样本、版本

9.1 记录本次实际实验

下面的记录用于“监控、告警与质量回归闭环”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "监控、告警与质量回归闭环"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "同环境运行基线与候选，记录输入、中间状态和异常"
evidence: "可重放命令、结构化日志、输出 Diff、失败样本、版本"
pass_when: "结果符合结论条件，异常输入可解释、可恢复"
stop_when: "条件缺失、结果不可复现或失败后责任不清"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

9.2 边界实验必须证明能够停止和恢复

成功路径只能证明“监控、告警与质量回归闭环”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：条件缺失、结果不可复现或失败后责任不清，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	可重放命令、结构化日志、输出 Diff、失败样本、版本	结果符合结论条件，异常输入可解释、可恢复
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：条件缺失、结果不可复现或失败后责任不清	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：保留基线，缩小变量；根因确认前不扩大范围	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“监控、告警与质量回归闭环”，第一步是：保留基线，缩小变量；根因确认前不扩大范围。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“监控、告警与质量回归闭环”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

十、监控、告警与质量回归闭环 的结果解释

解释“监控、告警与质量回归闭环”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	条件缺失、结果不可复现或失败后责任不清	先执行：保留基线，缩小变量；根因确认前不扩大范围
异常链路无法恢复	条件缺失、结果不可复现或失败后责任不清	先执行：保留基线，缩小变量；根因确认前不扩大范围
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“监控、告警与质量回归闭环”只有同时满足“结果符合结论条件，异常输入可解释、可恢复”，并且没有出现“条件缺失、结果不可复现或失败后责任不清”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“监控、告警与质量回归闭环”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“监控、告警与质量回归闭环”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十一、监控、告警与质量回归闭环 的发布判断

发布判断需要把“监控、告警与质量回归闭环”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “监控、告警与质量回归闭环”的基线与候选只存在一个计划内变量。
• “监控、告警与质量回归闭环”的输入、代码、依赖、配置和数据版本可以追溯。
• “监控、告警与质量回归闭环”的正常、临界、失败和恢复样本使用同一套断言。
• “监控、告警与质量回归闭环”的原始输出、中间状态和失败现场已经保留。
• “监控、告警与质量回归闭环”的日志、Trace、截图和测试数据已经脱敏。
• “监控、告警与质量回归闭环”的停止条件、负责人和回滚入口已经演练。
• “监控、告警与质量回归闭环”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“监控、告警与质量回归闭环”的判断，就不能发布。

十二、总结

• 核心决策：服务指标覆盖可用率、P95/P99、错误率和队列；
• 落地步骤：定义 SLO 与错误预算。 -> 为每个关键 Span 建仪表盘和 burn-rate 告警。 -> 告警关联版本、模型、Prompt、租户、trace_id 和 Runbook。
• 生产避坑：高基数原文标签会拖垮指标系统。
• 故障演练：注入与“只监控 HTTP 200 会漏掉空答案和错误引用。 -> 注入与“高基数原文标签会拖垮指标系统。 -> 注入与“没有版本维度无法确认回归来自哪次发布。