系统监控
平台用 Prometheus + 结构化日志做可观测，超管可从前端「平台概览」看核心指标，深度排查走 Grafana / 直接 PromQL。
入口
- 前端：
/dashboard?view=overview（仅超管） - Prometheus 端点：
apps/api：http://api:8000/metricsgrounded-sam2-backend：http://gpu-host:8001/metrics
关键指标
API 层
| 指标 | 含义 | 告警阈值（参考） |
|---|---|---|
http_requests_total{status=~"5.."} | 5xx 速率 | > 1% / 5min |
http_request_duration_seconds (P95) | API 延迟 | > 1s / 5min |
db_pool_used / db_pool_size | 连接池水位 | 持续 > 80% |
redis_pool_used | Redis 连接池 | — |
Worker 层
| 指标 | 含义 |
|---|---|
celery_tasks_total{status="success"|"failure"} | task 成败率 |
celery_task_duration_seconds | 任务时长 |
prediction_job_total{status=...} | 预标 job 状态分布（v0.9.8） |
ML Backend（grounded-sam2-backend）
| 指标 | 含义 |
|---|---|
sam_predict_duration_seconds | 推理延迟 |
sam_embedding_cache_hits_total / misses_total | LRU 缓存命中率（v0.9.1） |
gpu_memory_used_bytes | 显存水位 |
详细 PromQL 见 可观测性 / 监控。
日志
所有服务输出结构化 JSON 日志（structlog）。常用 grep：
bash
# 看某 job 的全链路
docker logs ai-annotation-platform-celery-worker-1 2>&1 | grep <job_id>
# 看 5xx
docker logs ai-annotation-platform-api-1 2>&1 | jq 'select(.status>=500)'生产环境建议接 ELK / Loki 集中。
健康检查端点
| 服务 | 路径 | 含义 |
|---|---|---|
| api | /health | DB + Redis + MinIO 联通性 |
| api | /ready | lifespan 完成 |
| grounded-sam2-backend | /health | 模型加载完成 |
⚠️ FastAPI lifespan 阻塞会让 /health 30s 内不可用——曾在 CI 引发卡死，详见 CI 服务依赖踩坑。
错误监控
前后端错误打到 Sentry（DSN 见 .env）。前端 BUG 反馈侧通过 BugReportDrawer 入 bug_reports 表；超管也可从侧边栏 管理 → BUG反馈 进入 /bugs 处理状态、查看 Markdown 描述/评论和截图附件。
容量规划经验值
| 资源 | 经验值 |
|---|---|
| 每标注员日均 200 任务 → API 流量 ~1 req/s 长尾 | — |
| 每 SAM 推理 P95 ~800ms（A10G）/ ~3s（CPU fallback） | — |
| 单 GPU 并发 4 推理稳定 | — |
| Postgres 连接池建议 = (worker concurrency + api concurrency) × 1.5 | — |
备份
- Postgres：
pg_dump每日 + WAL 归档 - MinIO：bucket 镜像到对象存储或外部 S3
- Redis：可丢（broker），不需要备份
- SAM 缓存：可丢（性能优化）
详见 部署拓扑。