状态设计里的 unknown:为什么诚实比好看重要
【摘要】 「全部正常」这四个字写在状态页上很好看。但只要有一个目标处于未知状态,写「全部正常」就是在撒谎,而用户迟早会发现。
「全部正常」这四个字写在状态页上很好看。但只要有一个目标处于未知状态,写「全部正常」就是在撒谎,而用户迟早会发现。
unknown 是一个有意义的结论
缺少检测、部分目标未知、检测暂停、或者最新结果已经过期——这些情况下正确的结论就是「不知道」,而不是「正常」。
一个合格的状态看板至少要区分四种状态:operational(正常)、degraded(成功但慢或多渠道部分失败)、failed(全部探测失败)、unknown(数据不足)。
第二,unknown 必须诚实地展示出来。整体状态在存在未知或不支持的目标时,不应该宣称「全部正常」。
过期判断要给足缓冲
如果探测间隔是 300 秒,那么超过两倍间隔再加 60 秒的结果就应该判定为过期。这条规则避免了把陈旧数据当成当前状态。
宁可让用户看到「部分未知」,也不要给一个虚假的绿色。
unsupported 也不能算失败
当前不支持的非文本或协议目标,不应该作为失败探测的样本。把它们算进失败率,会让整体指标失真。
不同平台的官方源不一样
有的平台有稳定的机器可读状态源,可以自动采集;有的只能给出官方页面链接并显示「未接入自动源」。这种区分本身就是信息。
这两者差异很大——网络通畅但模型慢,是完全不同的故障模式。
实操:把网关状态接进告警规则。
注意看返回里的 checked_at 和过期规则的配合关系。
groups:
- name: ai-gateway
rules:
- alert: GatewayModelDegraded
expr: gateway_model_up{status!="operational"} == 1
for: 5m
annotations:
summary: "模型 {{ $labels.model }} 状态异常({{ $labels.status }})"
description: "请检查健康看板与上游渠道状态"
- alert: GatewayUpstreamErrorRate
expr: |
sum(rate(gateway_upstream_errors_total[5m])) by (channel)
/
sum(rate(gateway_upstream_requests_total[5m])) by (channel) > 0.05
for: 10m
annotations:
summary: "渠道 {{ $labels.channel }} 错误率超过 5%"
- alert: GatewayLatencyRegression
expr: histogram_quantile(0.95, sum(rate(gateway_duration_bucket[5m])) by (le, model)) > 10
for: 10m
annotations:
summary: "模型 {{ $labels.model }} 的 P95 延迟超过 10 秒"
几个容易踩的坑
- 把「未知」显示成「正常」,用户信了然后发现调不通。
- 健康探测的请求被记在某个用户 Key 名下,账单凭空多出一截。
- 拿 HEAD 探测的网络往返当成模型响应延迟来判断性能。
- 把上游故障率和本站请求失败率混为一谈,误判故障范围。
小结
先跑通最小请求,再逐项加功能——这是接入任何网关都适用的节奏。
文中的配置和示例都能在 https://aiminis.info/ 直接跑一遍,接入文档在 https://aiminis.info/docs/api-integration。
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)