2 篇文档带有标签「sre」

覆盖 AI 系统独有故障模式（静默质量退化、embedding 版本不匹配、prompt 注入）、SEV 分级与响应时限、MTTR 五阶段、OnCall SOP 与 blameless postmortem 五件套模板，附 RAG 质量骤降 Tabletop 演练。

从全栈监控、分布式链路追踪、SLO 告警到成本可观测，构建大模型推理/训练集群的可观测性体系与 SRE 工程实践。