Мониторинг производительности запросов в рабочей среде
Отслеживание задержки, стоимости, оценок качества и частоты сбоев для каждой версии запроса.
«Мониторинг производительности запросов в рабочей среде» — бесплатный урок AI Prompt Engineering на CoddyKit. Это урок 4 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения AI Prompt Engineering, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс AI Prompt Engineering содержит 4 уроков всего.
Зачем отслеживать производительность промптов
Промпт, развернутый в рабочей среде, не становится «завершённым». Поведение модели меняется при обновлениях, пользовательские запросы со временем меняются, а расходы могут неожиданно резко вырасти. Непрерывный мониторинг обнаруживает ухудшение показателей до того, как оно навредит пользователям, и помогает сохранять расходы предсказуемыми.
Ключевые метрики для каждой версии промпта
В рабочей среде отслеживайте следующие пять метрик для каждой версии промпта:
- Средняя задержка: время от запроса до полного ответа (P50, P95, P99)
- Стоимость вызова: входные токены × цена + выходные токены × цена
- Оценка качества: автоматическая оценка (с помощью LLM или метрики задачи)
- Частота ошибок: ошибки API и сбои разбора некорректного вывода
- Удовлетворённость пользователей: оценка с помощью кнопок, доля повторных запросов, прекращение сеанса
Инструментирование: запись метрик
Оборачивайте каждый вызов LLM инструментированием, которое записывает все ключевые метрики в хранилище временных рядов или базу данных для последующего анализа и отправки оповещений.
import time
import openai
client = openai.OpenAI(api_key='YOUR_API_KEY')
def instrumented_call(prompt_id, version, messages, model):
start = time.time()
error = False
response = None
try:
response = client.chat.completions.create(
model=model,
messages=messages
)
except Exception as e:
error = True
raise
finally:
latency_ms = (time.time() - start) * 1000
usage = response.usage if response else None
record_metric({
'prompt_id': prompt_id,
'version': version,
'latency_ms': latency_ms,
'input_tokens': usage.prompt_tokens if usage else 0,
'output_tokens': usage.completion_tokens if usage else 0,
'error': error,
'timestamp': time.time()
})
return responseРасчёт стоимости вызова
Стоимость вызова = входные токены × цена входных токенов + выходные токены × цена выходных токенов. Хранение исходных количеств токенов позволяет пересчитать стоимость при любом изменении цен.
# pricing.py — model pricing table (per 1M tokens)
PRICING = {
'gpt-4o': {'input': 2.50, 'output': 10.00},
'gpt-4o-mini': {'input': 0.15, 'output': 0.60},
'claude-3-5-sonnet-20241022': {'input': 3.00, 'output': 15.00},
}
def cost_usd(model, input_tokens, output_tokens):
p = PRICING.get(model)
if not p:
return None
cost = (input_tokens / 1_000_000) * p['input'] \
+ (output_tokens / 1_000_000) * p['output']
return round(cost, 6)
# Example
c = cost_usd('gpt-4o-mini', input_tokens=800, output_tokens=200)
print(f'Cost per call: ${c}') # Cost per call: $0.000240
# Daily cost estimate
calls_per_day = 50_000
print(f'Daily cost: ${round(c * calls_per_day, 2)}') # $12.00Автоматическая оценка качества
Используйте LLM в качестве оценщика, чтобы автоматически оценивать качество вывода в рабочем масштабе. Оценивайте качество для 5–10% вызовов, чтобы расходы оставались приемлемыми.
import random
JUDGE_SAMPLE_RATE = 0.05 # score 5% of calls
JUDGE_PROMPT = '''Rate the quality of this AI response on a scale of 1-5.
1=Very poor, 3=Acceptable, 5=Excellent.
Return only the integer score.
User input: {input}
AI response: {output}'''
def maybe_score_quality(user_input, ai_output, model='gpt-4o-mini'):
if random.random() > JUDGE_SAMPLE_RATE:
return None # not sampled
judge_messages = [{'role': 'user', 'content':
JUDGE_PROMPT.format(input=user_input, output=ai_output)}]
response = client.chat.completions.create(
model=model, messages=judge_messages, max_tokens=5
)
try:
score = int(response.choices[0].message.content.strip())
return max(1, min(5, score)) # clamp to 1-5
except ValueError:
return NoneХранение метрик в базе данных временных рядов
Базы данных временных рядов (InfluxDB, TimescaleDB или даже простая таблица PostgreSQL с индексом по временной метке) эффективно хранят метрики отдельных вызовов и поддерживают запросы агрегации для информационных панелей.
-- TimescaleDB / PostgreSQL schema for prompt metrics
CREATE TABLE prompt_metrics (
ts TIMESTAMPTZ NOT NULL DEFAULT NOW(),
prompt_id VARCHAR(100),
version VARCHAR(20),
model VARCHAR(50),
latency_ms FLOAT,
input_tokens INT,
output_tokens INT,
cost_usd FLOAT,
quality_score FLOAT, -- NULL if not sampled
error BOOLEAN DEFAULT FALSE
);
-- Convert to hypertable (TimescaleDB)
SELECT create_hypertable('prompt_metrics', 'ts');
-- Query: hourly P95 latency by version
SELECT
date_trunc('hour', ts) AS hour,
version,
PERCENTILE_CONT(0.95) WITHIN GROUP (ORDER BY latency_ms) AS p95_latency
FROM prompt_metrics
WHERE prompt_id = 'summarize-article'
AND ts > NOW() - INTERVAL '24 hours'
GROUP BY 1, 2
ORDER BY 1;Создание информационной панели метрик
Информационные панели отображают пять ключевых метрик в реальном времени. Используйте Grafana (с TimescaleDB в качестве источника данных) или собственную веб-панель. Ключевые панели:
- Изменение задержки P50/P95/P99 во времени по версиям
- Изменение стоимости вызова (ежедневно/еженедельно)
- Процентная частота ошибок
- Скользящее среднее оценки качества
- Оценка удовлетворённости пользователей
# Simple dashboard query aggregation in Python
def get_dashboard_stats(conn, prompt_id, hours=24):
with conn.cursor() as cur:
cur.execute('''
SELECT
version,
COUNT(*) AS calls,
AVG(latency_ms) AS avg_latency,
PERCENTILE_CONT(0.95)
WITHIN GROUP (ORDER BY latency_ms) AS p95_latency,
AVG(cost_usd) AS avg_cost,
AVG(quality_score) FILTER (WHERE quality_score IS NOT NULL) AS avg_quality,
SUM(error::int)::float / COUNT(*) AS error_rate
FROM prompt_metrics
WHERE prompt_id = %s
AND ts > NOW() - INTERVAL %s
GROUP BY version
ORDER BY MAX(ts) DESC
''', (prompt_id, f'{hours} hours'))
return cur.fetchall()Обнаружение аномалий при ухудшении промптов
Ручной просмотр информационной панели не позволяет заметить медленное ухудшение показателей. Автоматическое обнаружение аномалий сравнивает скользящее окно с исторической базовой линией и отправляет оповещение, когда отклонение превышает порог.
import statistics
def detect_anomaly(recent_values, baseline_values, threshold_std=2.0):
if len(baseline_values) < 10:
return False # not enough data
baseline_mean = statistics.mean(baseline_values)
baseline_std = statistics.stdev(baseline_values)
recent_mean = statistics.mean(recent_values)
if baseline_std == 0:
return False
z_score = abs(recent_mean - baseline_mean) / baseline_std
return z_score > threshold_std
# Example: detect quality regression
baseline_quality = [4.1, 4.0, 4.2, 4.1, 4.0, 3.9, 4.1, 4.2, 4.0, 4.1]
recent_quality = [3.2, 3.1, 3.4, 3.0]
if detect_anomaly(recent_quality, baseline_quality):
print('ALERT: Quality score anomaly detected!')
# fire_pagerduty_alert(...)
else:
print('Quality within normal range')Правила оповещений и пороги
Определяйте правила оповещений в виде кода, чтобы их можно было версионировать и проверять. Распространённые оповещения при мониторинге промптов:
- Частота ошибок > 5% в течение 5 минут подряд
- Задержка P95 > 10 с в течение 3 минут
- Стоимость за день > 2× среднего недельного значения (резкий рост расходов)
- Оценка качества снизилась более чем на 20% относительно базовой линии
# alerts.yaml (Grafana alerting or custom)
alerts:
- name: HighErrorRate
condition: error_rate > 0.05
for: 5m
severity: critical
message: 'Prompt {prompt_id} error rate {error_rate:.1%} exceeds 5%'
- name: HighLatencyP95
condition: p95_latency_ms > 10000
for: 3m
severity: warning
message: 'P95 latency {p95_latency_ms}ms exceeds 10s for {prompt_id}'
- name: CostSpike
condition: daily_cost_usd > weekly_avg_daily_cost * 2
for: 1h
severity: warning
message: 'Daily cost ${daily_cost_usd:.2f} is 2x the weekly average'
- name: QualityRegression
condition: rolling_quality_avg < baseline_quality_avg * 0.80
for: 15m
severity: critical
message: 'Quality dropped {pct_drop:.0%} for prompt {prompt_id}'Сигналы удовлетворённости пользователей
Автоматические метрики отражают не всё. Собирайте явные и неявные сигналы от пользователей в дополнение к оценкам качества:
- Оценка с помощью кнопок: явная оценка 👍/👎 ответов ИИ
- Доля повторных запросов: пользователь сразу повторно отправляет тот же запрос (неявная неудовлетворённость)
- Доля копирования/использования: пользователь копирует вывод ИИ (неявная удовлетворённость)
- Доля исправлений: пользователь редактирует вывод ИИ перед использованием
# feedback_collector.py
def record_feedback(prompt_id, version, call_id, signal_type, value):
'''
signal_type: 'thumbs' | 'retry' | 'copy' | 'edit'
value: for thumbs: 1 (up) or -1 (down); others: 1 (occurred)
'''
db.execute(
'INSERT INTO prompt_feedback '
'(prompt_id, version, call_id, signal_type, value, ts) '
'VALUES (%s, %s, %s, %s, %s, NOW())',
(prompt_id, version, call_id, signal_type, value)
)
# Aggregate satisfaction score
def satisfaction_score(prompt_id, version):
rows = db.fetch(
'SELECT signal_type, AVG(value) as avg_val FROM prompt_feedback '
'WHERE prompt_id=%s AND version=%s GROUP BY signal_type',
(prompt_id, version)
)
return {r['signal_type']: round(r['avg_val'], 3) for r in rows}Отчёты сравнения версий
Оценивая, следует ли перевести канареечную версию в рабочую среду или выполнить откат, создайте параллельное сравнение всех метрик новой версии и базовой линии. Этот отчёт определяет решение о переводе версии в рабочую среду.
def version_comparison_report(prompt_id, version_a, version_b, hours=48):
stats_a = get_dashboard_stats_for_version(prompt_id, version_a, hours)
stats_b = get_dashboard_stats_for_version(prompt_id, version_b, hours)
print(f'=== Comparison: {version_a} vs {version_b} ===')
metrics = ['avg_latency', 'p95_latency', 'avg_cost', 'avg_quality', 'error_rate']
for m in metrics:
va = stats_a.get(m, 0)
vb = stats_b.get(m, 0)
delta = vb - va
pct = (delta / va * 100) if va else 0
direction = '+' if delta > 0 else ''
print(f'{m:20s}: {va:.4f} -> {vb:.4f} ({direction}{pct:.1f}%)')
# Example output:
# avg_latency : 1234.5000 -> 1189.2000 (-3.7%)
# p95_latency : 3210.0000 -> 3050.0000 (-5.0%)
# avg_cost : 0.000240 -> 0.000255 (+6.2%)
# avg_quality : 4.1000 -> 4.3000 (+4.9%)
# error_rate : 0.0120 -> 0.0080 (-33.3%)Быстрая проверка
Вы хотите автоматически обнаруживать ухудшение качества, не проверяя информационные панели вручную. Какой подход лучше всего подходит для этого?
Обзор мониторинга
Мониторинг промптов в рабочей среде требует отслеживания пяти измерений для каждой версии:
- Задержка (P50/P95/P99) — удобство работы пользователей
- Стоимость вызова — финансовое состояние
- Оценка качества — выборочная автоматическая оценка с помощью LLM
- Частота ошибок — надёжность
- Удовлетворённость пользователей — оценки с помощью кнопок, повторные запросы и копирование
Храните метрики в базе данных временных рядов, визуализируйте их на информационных панелях и отправляйте оповещения при превышении порогов. Отчёты сравнения версий помогают принимать решения о переводе версии в рабочую среду и об откате.
Часто задаваемые вопросы
Урок «Мониторинг производительности запросов в рабочей среде» бесплатный?
Да — полный текст урока «Мониторинг производительности запросов в рабочей среде» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс AI Prompt Engineering, подпишись на CoddyKit PRO. Курс AI Prompt Engineering содержит 4 уроков всего.
Чему я научусь в уроке «Мониторинг производительности запросов в рабочей среде»?
Отслеживание задержки, стоимости, оценок качества и частоты сбоев для каждой версии запроса. Ты практикуешь AI Prompt Engineering с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать AI Prompt Engineering?
Предыдущий опыт не требуется. AI Prompt Engineering на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 4 из 4.
Сколько времени занимает урок «Мониторинг производительности запросов в рабочей среде»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке AI Prompt Engineering?
Да. Каждый урок AI Prompt Engineering включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Архитектура реестра запросов
- Контроль версий запросов
- Стратегии развёртывания и отката
- Мониторинг производительности запросов в рабочей среде