昨天服務跑起來了。今天回答：它跑得好不好？

面試時很容易被問到的題目，包含「你的服務延遲多少」、「怎麼提升吞吐」及「P99 為什麼重要」？這三題答得好，入職的機率大大提升。

今天要解決的問題

一段夢到的情境對話：

PM：「我們的推薦 API 快嗎？」
工程師：「平均 45 毫秒，很快。」
PM：「可是有客戶抱怨等很久。」
工程師：「他可能遇到極端值，畢竟平均才 45 毫秒。」

雖然工程師沒說錯，是這樣但不是這樣，原因是平均值會被大量的快速請求拉低，而抱怨的人來自那被平均值掩蓋的長尾。

今天要建立的能力是：用百分位說話，並且知道怎麼把它變好。

📊 職缺訊號

「模型部署與推論服務」出現在 49.2% 的 MLOps 職缺中，是第二高的任務訊號。而在生成式 AI 職缺裡，它以「LLM 服務化」的形式出現於 38.7%。這是雙主軸交會的第一個具體地點——Day 26 會用同一組觀念處理 LLM 服務。

一、現象：平均值會騙人

圖 13-1：推論服務的延遲分佈與百分位曲線（10,000 筆模擬請求，固定隨機種子）。左圖顯示平均值 (約 49 ms) 遠低於 P99 (約 219 ms)；右圖顯示百分位曲線在 95% 之後陡升。

這張圖的兩個讀法：

左圖：分佈是右偏的——大多數請求很快，但有一條長尾。平均值落在主體，P99 落在長尾。平均值告訴你「典型情況」，P99 告訴你「最不幸的 1% 使用者的體驗」。

右圖：百分位曲線在 P95 之後陡升。這代表訂 SLO Service Level Objective，服務水準目標）時，P95 與 P99 的難度差距很大——從 P95 提升到 P99 的工程成本，通常遠高於從 P50 提升到 P95。

長尾從哪來？ 四個常見來源：冷啟動（新 Pod 剛起、模型剛載入）、GC 或記憶體回收停頓、特別大的輸入（長文件、大批次）、排隊（尖峰時請求在佇列等待）。排查長尾要先分清是哪一種，因為解法不同。

二、原理：延遲與吞吐不可兼得

第二張圖是 MLOps 工程師可以多留意的：

圖 13-2：動態批次的取捨曲線（依「單筆 24 ms、每多一筆 +1.15 ms」的模型推算的示範值）。批次從 1 加到 128，吞吐提升近 20 倍，但單筆延遲也從 24 ms 膨脹到 170 ms。

關鍵因素：GPU 擅長平行運算，一次處理 32 筆的時間遠少於分 32 次處理。所以把請求湊成批，總吞吐會大幅提升。代價是先到的請求要等後面的請求湊齊。

這張圖真正的用法，其實不是先看吞吐量，而是反過來從 SLO 往回推：

1. 先訂定 SLO
   → P95 延遲 ≤ 100 ms

2. 從圖上找出仍能滿足 SLO 的最大批次
   → batch = 64

3. 讀出這個設定下的單機吞吐上限
   → 約 664 req/s

4. 再用整體流量需求反推機器數
   → 2,000 req/s ÷ 664 req/s ≈ 3 台

5. 最後預留容錯與尖峰空間
   → 實際部署可規劃 4 台，其中 1 台作為冗餘

先訂 SLO、再回推批次上限、最後算機器數——這條推論路徑就是容量規劃的標準動作，也是面試系統設計題的標準答法。

三、動手：壓測並讀懂結果

3.1 一個具備基本工程素養的推論服務

"""app/main.py —— 模型推論服務的最小完整版。"""
from contextlib import asynccontextmanager

import mlflow.pyfunc
import pandas as pd
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel, Field

MODEL = {}

@asynccontextmanager
async def lifespan(app: FastAPI):
    # 模型在啟動時載入一次——不要在每次請求時載入（這是新手最常見的效能殺手）
    MODEL["m"] = mlflow.pyfunc.load_model("models:/fraud-model@champion")
    yield
    MODEL.clear()

app = FastAPI(lifespan=lifespan)

class Req(BaseModel):
    amount: float = Field(gt=0, description="交易金額")
    channel: str = Field(pattern="^(web|app|store|line)$")
    age: int = Field(ge=0, le=120)

@app.get("/health")
def health():
    """給 K8s 探針用：模型沒載入完就回 503，避免流量太早進來（Day 12）。"""
    if "m" not in MODEL:
        raise HTTPException(status_code=503, detail="model not loaded")
    return {"status": "ok"}

@app.post("/predict")
def predict(req: Req):
    df = pd.DataFrame([req.model_dump()])
    score = float(MODEL["m"].predict(df)[0])
    return {"score": round(score, 4), "model_alias": "champion"}

三個重點：模型在啟動時載入（不是每次請求）、用 pydantic 驗證輸入（擋掉髒資料，也是文件）、健康檢查反映真實狀態（別無腦回 200）。

3.2 用 locust 壓測

"""locustfile.py —— 逐步加壓，觀察延遲隨負載的變化。"""
from locust import HttpUser, task, between
import random

class ModelUser(HttpUser):
    wait_time = between(0.05, 0.2)

    @task
    def predict(self):
        self.client.post("/predict", json={
            "amount": round(random.uniform(100, 50000), 2),
            "channel": random.choice(["web", "app", "store", "line"]),
            "age": random.randint(18, 80),
        })

uv add locust
locust -f locustfile.py --host http://localhost:8000 \
       --users 200 --spawn-rate 10 --run-time 3m

3.3 怎麼讀壓測結果

看三件事，順序不能亂：

⚠️ 壓測最常見的錯誤：壓到自己

用筆電對雲端服務壓測，結果測到的是你家的網路頻寬。壓測端的資源必須遠大於被測端，或至少確認壓測端的 CPU 與網路沒有先飽和。看到「吞吐上不去但被測服務 CPU 只有 30%」時，先懷疑壓測端。

四、取捨：優化順序與部署形態

優化的正確順序（由投報率高到低）：

1. 先確認不是蠢問題——模型每次請求都重新載入？沒用連線池？用了同步阻塞的函式庫？這類問題的改善幅度是數倍，且改起來只要幾行。
2. 加大批次（在 SLO 容許範圍內）——如圖 13-2，這是免費的數倍吞吐。
3. 模型最佳化——ONNX／TensorRT 圖最佳化、量化。但務必驗證數值一致性，量化可能改變預測結果。
4. 水平擴充——最後才加機器。加機器是花錢解決問題，前三項是花腦解決問題。

部署形態的選擇：

推論伺服器要不要用專用的？ FastAPI 手刻與 Triton／TorchServe 這類專用伺服器的分界線是：

建議是先手刻。因為手刻讓你完全掌握發生什麼事，而專用伺服器的設定檔在你還不理解瓶頸在哪時，只會變成另一個黑盒子。等能判讀出「我的瓶頸在動態批次的湊批延遲」時，再換過去。

💡 一個常被忽略的選項：能批次就別即時

如果團隊為了「即時性」把每日只查詢一次的分數做成即時 API，結果扛著沒必要的 SLO 壓力與成本。先問清楚：使用者真的需要「當下」算出來，還是只要「查得到」就好？ 後者用批次推論預先算好寫進資料庫，成本與複雜度都低一個量級。

今日小結

• 平均值會騙人：延遲分佈右偏，平均值反映典型情況，P99 反映最不幸 1% 使用者的體驗。長尾來自冷啟動、GC、大 payload、排隊四種來源。
• 延遲與吞吐不可兼得。正確的推論路徑是：先訂 SLO → 回推批次上限 → 算出機器數。
• 服務的三個基本功：模型啟動時載入、pydantic 驗證輸入、健康檢查反映真實狀態。
• 壓測看三件事：線性上升（未飽和）、陡升（飽和點＝你的容量）、錯誤率上升（超載）。注意別壓到自己。
• 優化順序：先排除蠢問題 → 加大批次 → 模型最佳化 → 最後才加機器。
• 能用批次就別做即時——先確認使用者是否真的需要「當下」。

限制與提醒

• 本篇未深入探討變長輸入（Variable Input Length）對 LLM 的影響：批次吞吐曲線主要基於傳統結構化模型或固定維度特徵；在生成式 AI（LLM）中，Prompt 與 Output Token 長度高度浮動，單純靜態 Batching 會造成嚴重的 Padding 浪費，需額外依賴 Continuous Batching / PagedAttention（如 vLLM）才能精確衡量。

• 忽略了「動態流量抖動」與「冷啟動彈性」的延遲衝擊：容量推算採用了理想的線性均勻流量假設，但在真實生產環境中，流量常呈現突發波峰（Burst），單靠回推批次上限可能會在冷啟動擴容未完成前直接打垮佇列。

• 模型量化（Quantization）的精度損失與回歸成本被輕描淡寫：文中雖提到要驗證數值一致性，但在高風險場景（如反洗錢、金融風控）中，量化帶來的微小分佈漂移往往需要龐大的 Golden Set 回歸測試成本，並非單純的效能切換。

明天預告

服務跑得又快又穩，但——它算得對嗎？ 明天談這個系列的重要主題：監控與漂移。用時間軸說明模型「無聲壞掉」的那 14 天發生了什麼，以及為什麼縮短這 14 天，就是這份工作的全部價值。

延伸閱讀

• 📄 Dean & Barroso, The Tail at Scale (CACM 2013)——長尾延遲的經典論文，解釋為什麼規模越大長尾越致命
• 📄 NVIDIA Triton 文件：Dynamic Batching——max_queue_delay_microseconds 就是圖 13-2 那條取捨曲線的實作旋鈕