运维、监控与变更

监控分层

• 基础设施：CPU、内存、磁盘、网络和时间同步。
• 应用：成功率、延迟、错误、队列和线程池。
• 依赖：数据库、缓存、对象存储和外部接口。
• 业务：关键流程完成率、数据新鲜度和用户影响。
• AI：模型成功率、Token、检索质量、拒答和成本。

告警要求

告警必须可行动，包含环境、对象、影响、当前值、阈值、开始时间、看板和处理手册。对重复噪声建立聚合和抑制规则。

备份与恢复

备份成功不代表可恢复。明确 RPO、RTO、保留周期、加密、异地副本和恢复负责人，并定期执行恢复演练。

变更管理

记录目的、范围、风险、实施步骤、验证、回退、窗口和批准人。高风险变更先在等价环境演练，并观察约定时间后再关闭。

容量管理

基于业务增长、峰值并发和资源水位建立趋势预测，为模型调用、数据库连接、存储和外部配额预留安全余量。