Архитектура за продукция: мониторинг, предупреждения, мащабиране
На тази страница
Вашето приложение в продукция: трите стълба
Разполагането на LLM приложение в продукция не се свежда само до кода. Три стълба гарантират надеждността: мониторинг за наблюдение, предупреждения за реакция и мащабиране за поемане на натоварването. Те образуват верига, а веригата е здрава толкова, колкото е най-слабото ѝ звено: метрики, които никой не разглежда, са безполезни; предупреждения без процедура за реакция са просто шум; а мащабиране, което се активира твърде късно, води до прекъсване на услугата. Този финален урок обединява всички концепции от курса в една цялостна производствена архитектура.
Наблюдавайте: какво да измервате
Четири семейства метрики покриват основното: обем на заявките, латентност, грешки и разходи, разбити по модел. Разбивката по модел е това, което прави таблото с инструменти полезно – глобален процент на грешки от 3% не Ви говори нищо, докато същата стойност, концентрирана върху един единствен модел, веднага посочва виновника.
Класът по-долу натрупва тези метрики в паметта, използвайки плъзгащ се прозорец от 10 000 стойности за латентност, за да предотврати неограниченото нарастване на процеса. Обърнете внимание на използването на перцентили вместо средни стойности: средната латентност на LLM услуга почти винаги е подвеждаща, защото шепа много бавни заявки се „разтварят“ в средното, а точно те са тези, за които потребителите Ви се оплакват.
import time
from dataclasses import dataclass, field
from collections import defaultdict
@dataclass
class ProductionMetrics:
"""Collects essential production metrics."""
counters: dict = field(default_factory=lambda: defaultdict(int))
latencies: dict = field(default_factory=lambda: defaultdict(list))
errors: dict = field(default_factory=lambda: defaultdict(int))
costs: dict = field(default_factory=lambda: defaultdict(float))
def record_call(
self,
model: str,
latency: float,
input_tokens: int,
output_tokens: int,
cost: float,
success: bool,
):
self.counters[model] += 1
self.latencies[model].append(latency)
self.costs[model] += cost
if not success:
self.errors[model] += 1
# Keep only the last 10,000 latencies
if len(self.latencies[model]) > 10_000:
self.latencies[model] = self.latencies[model][-10_000:]
def percentile(self, model: str, p: float) -> float:
"""Calculates a latency percentile."""
values = sorted(self.latencies.get(model, []))
if not values:
return 0.0
idx = int(len(values) * p / 100)
return values[min(idx, len(values) - 1)]
def error_rate(self, model: str) -> float:
total = self.counters.get(model, 0)
if total == 0:
return 0.0
return self.errors.get(model, 0) / total
def dashboard(self) -> dict:
"""Generates a complete dashboard."""
dashboard = {}
for model in self.counters:
dashboard[model] = {
"calls": self.counters[model],
"latency_p50": f"{self.percentile(model, 50):.2f}s",
"latency_p99": f"{self.percentile(model, 99):.2f}s",
"error_rate": f"{self.error_rate(model):.2%}",
"total_cost": f"${self.costs[model]:.2f}",
}
return dashboard
Разбира се, събирането трябва да бъде систематично. Ръчното инструментирање на всяка заявка гарантира, че ще пропуснете една – и вероятно точно тази, която ще създаде проблеми. Декораторът по-долу премества измерването на ниво функция за извикване: блокът finally записва латентността и успеха независимо от всичко, дори когато се propagate изключение.
import openai
import functools
metrics = ProductionMetrics()
def monitor(func):
"""Decorator that monitors every API call."""
@functools.wraps(func)
def wrapper(*args, **kwargs):
model = kwargs.get("model", args[0] if args else "unknown")
start = time.perf_counter()
success = True
try:
result = func(*args, **kwargs)
return result
except Exception as e:
success = False
raise
finally:
latency = time.perf_counter() - start
metrics.record_call(
model=model,
latency=latency,
input_tokens=0,
output_tokens=0,
cost=0,
success=success,
)
return wrapper
Броячите на токени и разходите остават нулеви в тази версия, защото обектът с отговора не е наличен в момента на записването. Попълнете ги, като прочетете полетата usage, върнати от API: без тази информация Вашето табло ще показва вярно колона с нулеви разходи.
Реагирайте: градуирани предупреждения
Едно предупреждение има стойност само ако призовава към действие. Затова системата разграничава два прага за всяка метрика: праг за предупреждение (warning), сигнализиращ отклонение, което трябва да се разгледа през деня, и критичен праг (critical), оправдаващ събуждането на някого. Бъркането на двете води до най-лошия възможен резултат – екип, който се е научил да игнорира известията.
from enum import Enum
class AlertLevel(Enum):
INFO = "info"
WARNING = "warning"
CRITICAL = "critical"
class AlertSystem:
"""Triggers alerts based on metrics."""
def __init__(self):
self.thresholds = {
"error_rate": {"warning": 0.05, "critical": 0.15},
"latency_p99": {"warning": 10.0, "critical": 30.0},
"hourly_cost": {"warning": 50.0, "critical": 200.0},
}
self.sent_alerts: list[dict] = []
def check(self, metrics: ProductionMetrics) -> list[dict]:
"""Checks metrics and generates alerts."""
alerts = []
for model in metrics.counters:
# Error rate
rate = metrics.error_rate(model)
if rate >= self.thresholds["error_rate"]["critical"]:
alerts.append({
"level": AlertLevel.CRITICAL,
"message": (
f"CRITICAL error rate for {model}: "
f"{rate:.1%}"
),
"model": model,
})
elif rate >= self.thresholds["error_rate"]["warning"]:
alerts.append({
"level": AlertLevel.WARNING,
"message": (
f"High error rate for {model}: "
f"{rate:.1%}"
),
"model": model,
})
# Latency
p99 = metrics.percentile(model, 99)
if p99 >= self.thresholds["latency_p99"]["critical"]:
alerts.append({
"level": AlertLevel.CRITICAL,
"message": (
f"CRITICAL p99 latency for {model}: "
f"{p99:.1f}s"
),
"model": model,
})
self.sent_alerts.extend(alerts)
return alerts
async def notify(self, alerts: list[dict]):
"""Sends notifications (webhook, email, Slack)."""
import httpx
for alert in alerts:
if alert["level"] == AlertLevel.CRITICAL:
# Immediate notification
async with httpx.AsyncClient() as http:
await http.post(
"https://your-webhook.example.com/alerts",
json={
"level": alert["level"].value,
"message": alert["message"],
},
)
Предупрежденията за почасови разходи са тези, които най-често се забравят, и това е жалко: неограничен цикъл на повторни опити или пакетна задача, стартирана два пъти, води до сметка, а не до грешка. Това е единствената предпазна мрежа, която открива този тип инциденти, докато се случват.
Поемайте: три механизма за устойчивост
Когато API връща грешка, повторният опит влошава нещата: добавяте натоварване към услуга, която вече е в затруднение, и карате собствените си потребители да чакат напразно. Прекъсвачът на веригата (circuit breaker) обръща тази логика. След определен брой последователни неуспехи той „отваря“ веригата и веднага отхвърля следващите обаждания, след което прави нов опит след забавяне за нулиране.
class CircuitBreaker:
"""Cuts off calls when too many errors occur."""
def __init__(
self,
open_threshold: int = 5,
reset_delay: float = 60.0,
):
self.threshold = open_threshold
self.reset_delay = reset_delay
self.consecutive_failures = 0
self.opened_at: float | None = None
@property
def is_open(self) -> bool:
if self.opened_at is None:
return False
if time.time() - self.opened_at > self.reset_delay:
# Attempt to close the circuit
self.opened_at = None
self.consecutive_failures = 0
return False
return True
def record_success(self):
self.consecutive_failures = 0
self.opened_at = None
def record_failure(self):
self.consecutive_failures += 1
if self.consecutive_failures >= self.threshold:
self.opened_at = time.time()
def call(self, func, *args, **kwargs):
"""Executes the function if the circuit is closed."""
if self.is_open:
raise RuntimeError(
"Circuit open — API unavailable. "
f"Retry in {self.reset_delay}s."
)
try:
result = func(*args, **kwargs)
self.record_success()
return result
except Exception as e:
self.record_failure()
raise
Прекъсвачът на веригата защитава Вашето приложение, но не го кара да работи. Това е ролята на резервния модел (model fallback), който изпробва алтернативи по ред, пропускайки онези, чиито вериги вече са отворени. Един важен проектантски детайл: редът в списъка е продуктово решение, а не техническо. Поставете първи модела, който доставя очакваната услуга, последван от тези, които доставят degraded, но приемлива услуга – малко по-малко остър отговор е по-добър от недостъпно съобщение.
class ModelFallback:
"""Switches to a backup model in case of failure."""
def __init__(self):
self.models = ["gpt-5.6-terra", "gpt-5.6-sol", "gpt-5.6-luna"]
self.circuits = {
m: CircuitBreaker() for m in self.models
}
def call(self, prompt: str) -> str:
"""Tries each model until a response is obtained."""
client = openai.OpenAI()
for model in self.models:
circuit = self.circuits[model]
if circuit.is_open:
continue
try:
response = circuit.call(
client.responses.create,
model=model,
input=prompt,
)
return response.output_text
except Exception:
continue
raise RuntimeError("All models are unavailable.")
Третият механизъм се отнася до оразмеряването. Управлението на броя работници въз основа на размера на опашката, а не на натоварването на CPU, е правилният рефлекс за услуга, която прекарва повечето време в очакване на мрежови отговори: CPU седи бездействащ, докато опашката расте. Обърнете внимание на асиметрията в приложеното правило – удвояваме при мащабиране нагоре и намаляваме наполовина при мащабиране надолу, с широко разделени прагове (100 спрямо 10). Тази разлика предотвратява осцилацията: без нея системата щеше да прекарва времето си в създаване и унищожаване на работници около точката на пречупване.
class AutoScaler:
"""Adjusts the number of workers based on load."""
def __init__(
self,
min_workers: int = 2,
max_workers: int = 50,
scale_up_threshold: int = 100,
scale_down_threshold: int = 10,
):
self.min_workers = min_workers
self.max_workers = max_workers
self.up_threshold = scale_up_threshold
self.down_threshold = scale_down_threshold
self.active_workers = min_workers
def adjust(self, queue_size: int) -> int:
"""Returns the recommended number of workers."""
if queue_size > self.up_threshold:
self.active_workers = min(
self.active_workers * 2,
self.max_workers,
)
elif queue_size < self.down_threshold:
self.active_workers = max(
self.active_workers // 2,
self.min_workers,
)
return self.active_workers
Контролен списък за внедряване в продукция
Този курс завършва с контролен списък, който трябва да преминете, преди да отворите приложението си за публиката. Всеки пункт се отнася до урок, който сте разгледали; ако някой изглежда неясен, препрочетете съответния урок преди внедряването.
- Мониторинг на латентността (p50, p95, p99) и процентите на грешки
- Предупреждения, конфигурирани на критични прагове
- Прекъсвач на веригата за защита срещу сривове на API
- Конфигуриран резервен модел (fallback)
- Активирана модерация на входа и изхода
- Внедрено ограничаване на честотата (rate limiting) на клиентска страна
- Структурирани логове за дебъгване
- Автоматизирани оценки (evals) в CI/CD
- Бюджет за разходи с предупреждения
- Документация на промптовете с версии
Ключови изводи
- Мониторингът обхваща латентност, грешки, разходи и качество на отговора
- Следете перцентилите на латентност, никога само средната стойност
- Предупрежденията трябва да са градирани: първо предупреждение, после критично
- Прекъсвачът на веригата защитава срещу каскадни сривове; резервният модел осигурява наличност
- Контролен списък за продукция предотвратява критични пропуски
Проверете знанията си
Латентност, разходи, оценки: производствени рефлекси в пет въпроса.
1. Кои са основните лостове за намаляване на латентността?
Отговор: Стрийминг (възприемана латентност), кеширане на промптове (стабилни префикси), Predicted Outputs, когато отговорът е до голяма степен предвидим (Chat Completions, при модели, оттеглени на 14 януари 2027 г.), и оптимизиране на самия промпт – измерено от край до край.
2. Кога трябва да използвате Batch API?
Отговор: За масова обработка без ограничения в реално време: асинхронни пакети на намалена цена – класирането, обогатяването или генерирането на големи обеми нямат място в синхронния път.
3. Какво прави компресирането на разговора?
Отговор: То компресира дълга история (обобщения, изрязване), за да се побере в контекста и да контролира разходите – от съществено значение за агентите и дългите сесии.
4. Каква е целта на рамката за оценки (Evals) в CI/CD?
Отговор: Автоматично изпълнение на Вашите оценки при всяка промяна на промпт или модел: регресията се открива при commit, а не в продукция.
5. Какво включва една цялостна производствена архитектура?
Отговор: Мониторинг (латентност, разходи, качество), предупреждения, асинхронни опашки, модерация в мащаб и план за мащабиране – AI в продукция е система, а не API извикване.
Измервайте, кеширайте, групирайте в пакети, оценявайте непрекъснато: четири навика, които правят приложенията бързи, леки и надеждни.