monitoring-agent 说全绿用户却炸了redis / postgres / 网关都活着但本月 LLM 账单翻三倍且回答质量肉眼下滑。组件级健康监控《系统健康监控巡检》管不了业务维度的健康——组件活着 ≠ 服务健康。核心论点传统组件健康看不到 LLM 特有的 golden signal黄金信号token 成本、P99 延迟、回答质量退化。LLM 平台的可观测要分两层组件活着《系统健康监控巡检》只是地基token / 延迟 / 质量这三盏灯才是服务还健不健康的答案。组件健康 vs 业务健康两个维度维度回答的问题谁负责组件健康谁挂了、影响面多大《系统健康监控巡检》拓扑矩阵业务健康花了多少、慢不慢、答得对不对本篇LLM 平台专属三大 golden signalLLM 专属signal含义为什么重要token 流速与成本突增单位时间 token 消耗异常往往先于账单暴露浪费或循环调用P99 延迟99 分位延迟绝大多数请求都比它快均值掩盖长尾P99 才反映真实体感质量退化幻觉率上升、偏离预期格式、答非所问最隐蔽也最伤体验数据从哪来网关已埋点监控侧聚合层数据源职责网关层Langfuse 链路追问链路 Prometheus 指标token/延迟业务信号源头监控侧在组件矩阵外另建业务级看板聚合这些信号不重复《系统健康监控巡检》存活矩阵决策数据源在网关唯一出口聚合在监控职责边界和《系统健康监控巡检》一致。⚠️ Langfuse 存完整对话是最大 PII 落点之一——按《合规护栏》跨平面原则trace导出前必须经脱敏引擎脱敏完整跨平面处置见《合规护栏》总表否则网关在模型侧的脱敏白做。质量退化怎么发现组件探针做不到方法实现在线 eval / 抽样打分对回答做自动化质量评估用户反馈回路踩/赞、纠错作为质量信号回灌决策质量不是通不通是好不好只能靠评估与反馈不能靠探针。与告警 / 自愈联动信号处置衔接篇成本突增触发预算熔断《成本治理与限流》质量退化触发降级或人在回路《自动操作回复与自愈闭环》安全边界价值业务信号不是看完板是驱动《系统健康监控巡检》/《自动操作回复与自愈闭环》的处置动作。业务级告警规则已落地规则触发条件级别GatewayCostSpike5m 速率 2×1h 基线P2与《成本治理与限流》预算联动GatewayP99LatencyHighP99 10s 持续 5mP2GatewayLoopStorm循环熔断 1/s 持续 5mP2联动《自动操作回复与自愈闭环》GatewaySafetySurge注入拦截治理异常 0.5/s 持续 10mP3可用性服务失联P1业务级看板6 面板请求速率 / P99 / token 速率 / 循环 / 缓存命中 / 安全拒绝。延迟/成本/循环面板分别复用《系统健康监控巡检》/《成本治理与限流》/《自动操作回复与自愈闭环》已注册指标告警 expr 即看板面板查询确保看得到就能告警。核心要点LLM 平台的可观测要分两层组件活着《系统健康监控巡检》只是地基token / 延迟 / 质量这三盏灯才是服务还健不健康的答案。三大 golden signaltoken 流速与成本突增、P99 延迟、质量退化——均值掩盖长尾P99 才反映真实体感。数据源在网关唯一出口聚合在监控职责边界和《系统健康监控巡检》一致。质量不是通不通是好不好只能靠在线 eval 用户反馈回路不能靠探针。业务信号不是看完板是驱动《系统健康监控巡检》告警与《自动操作回复与自愈闭环》自愈的处置动作。