[62] Prometheus：指标监控的事实标准（但别滥用标签）

• 资料类型：官方文档/系统
• 原始来源：https://prometheus.io/docs/introduction/overview/
• 对应章节：第 17 章（部署与运维：监控）

一句话

能监控到趋势，才谈得上治理；Prometheus 负责把系统健康度变成时间序列数据。

你该从 Prometheus 带走什么

• 指标口径要统一：延迟、错误率、QPS、队列长度、GPU 利用率，先定义清楚再采集。
• 标签（label）是把双刃剑：高基数标签会把系统打爆（例如 user_id/prompt 原文）。
• 与告警/门禁联动：指标不是看着爽，要能触发动作（告警、降级、回滚）。

在本书里怎么用

• 第 12 章把成本/延迟/错误率三类指标落到 Prometheus 指标名与告警阈值。
• 强调：记录模型版本/配置版本用于归因，但避免高基数字段。

常见误用

• 把 user_id、请求全文等高基数内容当 label，导致内存爆炸。
• 指标很多但没有告警与 runbook，出了事依然手忙脚乱。