完成「Secret、權限與營運邊界：SRE 也要管安全」後，下一個問題是「Game Day：一次把 GPU、DB、磁碟與模型服務都當成會壞」能否重跑、否定並留下失敗原因。這就是今天的範圍。

今天要回答的問題

設計多故障演練，驗證告警、Runbook、復原順序與跨服務依賴是否符合預期。

工程邊界

同一個模型，Serving Runtime 的營運特性可以完全不同

模型權重相同，不代表服務行為相同。Serving runtime 會影響 batching、KV cache、併發模型、記憶體配置、OpenAI-compatible API、metrics 與啟動時間。

因此比較 Ollama、vLLM 或其他 serving 方案時，不應只比較單次生成速度；更重要的是在相同模型與輸入下，併發增加後 latency 曲線怎麼變、VRAM 如何成長、失敗時如何恢復，以及監控介面是否足以支援營運。

一個可以直接重現的起點

今天的實作原則

驗證時先固定環境與輸入，每次只改一個變因，並同時記錄操作方法與判定標準。

用故障矩陣安排 Game Day

先把「依故障矩陣順序注入服務、database、disk 與 GPU 事件」需要固定的輸入、版本與環境集中在同一份小型測試計畫；函式名稱代表實際工具。

plan = {
    "change": '依故障矩陣順序注入服務、database、disk 與 GPU 事件',
    "fixed": ("input", "version", "environment"),
    "metrics": ('偵測', '影響', '恢復', '資料正確性'),
}
for round_no in range(1, 4):
    sample = run_once(plan)  # 接上實際壓測或維運工具
    save_sample(round_no, sample)

驗證與落地方式

驗證可從「依故障矩陣順序注入服務、database、disk 與 GPU 事件」開始。先以未施加變更的狀態建立 baseline，再執行目標條件，最後確認服務能回到穩定狀態。三個階段使用相同輸入與觀察時間窗，可降低 warm-up、cache 與背景工作造成的誤判。若測試包含故障或資源壓力，應限定在隔離環境，事先設定停止條件與復原方式。

觀察資料要同時涵蓋使用者體感、服務行為與主機資源。這篇優先比較：偵測、影響、恢復、資料正確性。單看資源使用率無法代表服務健康；吞吐提高也可能伴隨排隊、錯誤率或尾端延遲惡化。至少重複三輪並保留每輪條件，才能區分穩定趨勢與偶發尖峰。

常見誤判

• 只看平均值，忽略 P95、錯誤率與恢復時間，容易低估少數使用者遇到的嚴重延遲。
• 同時更換模型、參數、資料與基礎設施，數字即使改善，也無法判斷真正原因。
• 只驗證正常路徑，沒有測試容量邊界、依賴失效與復原流程，上線後仍可能在第一個異常點失守。

上線前檢查

確認監控能回答「何時開始、影響多大、哪一層先異常」，並為超時、容量與復原設定可操作門檻。所有門檻都應對應負責人與處置方式；無法觸發行動的數字只適合分析，不適合作為告警。

如何閱讀結果

結果可分成使用者影響、服務訊號與資源訊號三層閱讀。先確認錯誤率與延遲是否超出承諾，再沿時間線追查 queue、依賴與主機資源。若只有 GPU 或 CPU 使用率改變，但使用者指標沒有同步變化，只能視為線索，不能直接宣告根因。

單次測試適合發現風險，不足以證明長期容量。正式採用前還要加入較長時間的穩定性測試與版本回歸，確認重新啟動、流量波動及依賴短暫異常不會改變原本結論。

結果判讀

判讀不只看最大或最漂亮的數字。這一天真正要回答的是：驗證人、告警與 runbook 能共同完成復原。

如果核心指標改善，但錯誤率、尾端延遲、資源成本或恢復能力變差，這代表取捨，而不是無條件進步。相反地，沒有改善也不是無效結果；至少能排除一條看似合理、實際上不值得增加複雜度的路。

今天的結論

今天的工程判斷是：驗證人、告警與 runbook 能共同完成復原。無論結果支持或否定原本假設，都必須保留完整條件，才能和下一天的實驗串在一起。

下一篇將處理：從「能跑」到「能營運」：地端 AI 平台 SRE 參考架構。

參考資料

• Google SRE Book
• Prometheus Documentation
• vLLM Documentation
• PostgreSQL Backup and Restore