链路监控

AI 后台请求链路可观测性治理：从静默状态丢失到分层指标归因的工程实践凌晨三点，值班群里跳出一条告警：用户反馈‘AI 助手没响应’，但后台任务状态显示‘已完成’。运维查了日志，模型调用返回 200，RAG 检索有结果，Agent 编排也走到了终态——可用户端就是没收到答案。这种‘链路通但体验断’的静默故障，在 AI 系统中越来越常见。问题不在单点，而在状态与观测的断层：系统知道‘做了什么’，但不知道‘做得好不好’。

AI 巡检系统上线后静默漏报治理：从链路状态盲区到分层监控与自动补偿的设计实践我们在 2025 年底上线了一套基于 RAG + Agent 的 AI 巡检系统，用于自动识别服务器异常日志、生成诊断建议并触发告警。初期测试效果良好，但在灰度放量阶段发现一个致命问题：系统日志显示任务全部执行成功，但实际漏报率高达 37%。更严重的是，由于缺乏有效监控，这一问题在两周内未被发现，导致多个关键服务异常未能及时处理。

我是有底线的