MLOps可观测性2026：模型漂移、数据漂移、服务健康一屏看全

📘 教程 2026-08-11 约 4 分钟阅读

模型离线测试全过，上线后却在悄悄变差。到底该监控什么？哪些指标能在用户抱怨之前发现问题？

生产环境的模型是静默失败的：它照样返回200，只是答案变差了。要盯四样东西：数据漂移（输入分布变了，比如训练时60%移动端用户，现在85%）、预测漂移（输出分布变了，常是上游变动的第一信号）、模型性能（真实标签延迟到达，需要延迟标签流水线）、服务健康（p95/p99延迟、错误率、吞吐）。2026年工具：Evidently做漂移看板；Prometheus加Grafana盯服务指标，vLLM、Triton等推理服务原生暴露指标；MLflow关联出问题的版本；LLM应用用Langfuse看token和成本。告警从三个开始：p95延迟超基线2倍持续15分钟、周批数据漂移超阈值、错误率超1%。监控不接动作就是装饰，漂移告警应自动触发重训并评估上线。