這週把「事後查」變成「即時知道」

Week 4：Day19 建立 Cloud Monitoring 基礎 → Day20 設計 Agent 專屬指標 → Day21 成本異常告警 → Day22 行為異常告警 → Day23 SLA/SLO 設計。

Dashboard 範本：四個區塊

一個實用的 Agent 監控 Dashboard 建議分成四個區塊，由上而下：

區塊一：健康總覽（一眼判斷）

• 任務成功率（當前值 + 對照 SLO）
• P95 延遲
• 錯誤率
• 當日累計成本

區塊二：任務品質

• 人工介入率趨勢
• 平均步數趨勢
• 品質代理指標（檢索一致性／抽樣評分）

區塊三：工具與模型

• 依工具分組的呼叫量與失敗率
• finish_reason 分布
• 依模型分組的 Token 用量

區塊四：成本

• 每次任務平均成本趨勢
• 依 Agent／任務類型分群的成本佔比

告警規則範本

完整告警設計 Checklist

• [ ] Dashboard 上有任務品質層級的指標，而非只有基礎設施
• [ ] 「任務成功」的定義已明確寫入文件
• [ ] 單次執行有 Token 硬性上限（中止而非只告警）
• [ ] 告警閾值基於實際觀察的基準線
• [ ] 行為異常用滾動基準線比較，而非固定閾值
• [ ] 告警依嚴重度分級，低嚴重度用摘要而非即時通知
• [ ] SLO 涵蓋三層並保留錯誤預算

下週要往哪走

監控體系建好之後，最後一週處理「這些資料還能做什麼」：轉化成稽核證據、真實異常案例分析、成本治理（FinOps）、以及可觀測性與資安的交集。

參考資料來源

• Google Cloud，《Cloud Monitoring 官方文件》
• Google Cloud，《SRE Workbook — SLO 設計》
• OpenTelemetry，《GenAI Semantic Conventions》，opentelemetry.io

💡 關於作者 我是 Fngi，專注在 AI 安全與雲端資安領域。如果這系列對你有幫助，歡迎追蹤 Instagram @aid3fend，我在那裡分享更多 AI 資安的實務筆記與趨勢觀察。