第九卷 · 可观测性与可靠性

看不见就没法优化，测不到就没法保证。本卷讲训练与推理系统各自需要观测什么、如何定位慢与错、以及如何把可靠性量化为 SLO。

本卷结构

• 第一部分 · 可观测性：指标、Profiler 与追踪、SLO 与容量规划。
• 第二部分 · 故障：Straggler 与静默错误、故障检测、隔离与恢复。

前置

第四、六卷。