支撑岗

可观测性工程师

AI系统监控、链路追踪、告警与故障诊断

参考薪资 20-38K
220知识点
79学时
33000积分
17工具
开始学习
CHAPTER 01

岗位说明

AI系统监控、链路追踪、告警与故障诊断

本课程路径为【可观测性工程师】量身设计，聚焦AI支撑与保障方向。 岗位描述：AI系统监控、链路追踪、告警与故障诊断。 学习路径分1个阶段递进：工程系统（220个知识点，涵盖AI工程化、AI评测与基准测试、云计算与AI基础设施、现代软件架构与云原生）。 参考薪资：20-38K。需要掌握17个工具。 建议按顺序学习，基础阶段（了解级）快速建立概念框架，核心阶段（理解级）深入掌握关键技术，实践阶段（熟练级）达到工程应用能力。

岗位分类
支撑岗
参考薪资
20-38K（月·一线城市参考）
学习规模
220 个知识点 · 约 79 学时 · 17 个工具
已上线课程
221 节可直接学习
CHAPTER 02

现状与前景

AI可观测性是AI系统稳定运行的保障。模型漂移、推理延迟、GPU利用率——这些指标需要实时监控和告警。学习这条路径意味着你将成为AI系统的"守夜人"，在AI基础设施规模化后不可或缺。

CHAPTER 03

招聘数据

薪资区间

20-38K

数据来源于主流招聘平台 AI 岗位统计，一线城市 3-5 年经验参考。

岗位竞争力和成长

完成全部 220 节课程并通过面试题测试，可获得 33000 成长积分，覆盖该岗位 17 个核心工具与全部技能要求。

CHAPTER 04

能力雷达图

AI工程化云原生架构AI评测云基础设施
AI工程化 100
云原生架构 64
AI评测 51
云基础设施 51
CHAPTER 05

工具树（17）

可观测性 · 11
LangSmithLangfuseHeliconeArizeOpenLLMetryPosthogStatsigMLflowClearMLPhoenix (Arize)Braintrust
数据可视化 · 1
Grafana
AI治理与合规 · 2
AporiaWhyLabs
Agent框架 · 1
IBM Watsonx
其他 · 2
gpt_4oamazon_nova_pro
CHAPTER 06

项目树

AI平台监控体系搭建

为LLM推理平台构建全链路可观测性体系

大模型调用链路追踪

追踪Agent多步调用与工具调用全链路

告警体系与SLO建设

设计AI服务SLO与智能告警规则

模型质量在线监控

实时监控模型输出质量与分布漂移

日常工作任务

  • 每日监控AI系统运行状态
  • 每日处理告警与故障排查
  • 每周分析链路追踪数据定位瓶颈
  • 每周优化监控指标与可视化面板
  • 按项目编写SLO与告警规则
  • 按项目输出可观测性建设方案
  • 按季度评审系统架构可靠性

核心交付物

监控大盘配置告警规则文档故障复盘报告SLO定义文档

协作对象

算法工程师运维工程师SRE产品经理
CHAPTER 07

学习目录（可直达课程）

第1篇系统
系统1 节
  1. 了解 欢迎来到AIQZ.CC 6分钟
第2篇AI工程化篇
软件工程实践8 节
  1. 理解 AI系统设计模式：架构怎么选才合理 21分钟 · 120分
  2. 理解 AI推理服务设计模式：高并发怎么扛 19分钟 · 120分
  3. 理解 重构方法论与实战手法大全 24分钟 · 120分
  4. 理解 单元测试入门：代码质量的第一道防线 22分钟 · 120分
  5. 理解 pytest实战：Python单元测试利器 19分钟 · 120分
  6. 理解 测试覆盖率管理与质量提升 21分钟 · 120分
  7. 理解 团队知识管理体系构建 22分钟 · 120分
  8. 理解 Jira与Confluence团队协作工具实战指南 20分钟 · 120分
DevOps与容器化11 节
  1. 理解 Docker镜像构建入门实战 24分钟 · 120分
  2. 理解 Docker数据卷管理与持久化 18分钟 · 120分
  3. 理解 Docker镜像仓库管理实战 20分钟 · 120分
  4. 理解 Kubernetes HPA水平自动伸缩配置 19分钟 · 120分
  5. 理解 Helm Kubernetes包管理实战 12分钟 · 120分
  6. 理解 Jenkins与GitLab CI：CI/CD流水线搭建对比 17分钟 · 120分
  7. 理解 ArgoCD持续部署：GitOps实践 21分钟 · 120分
  8. 理解 CircleCI：持续集成平台 20分钟 · 120分
  9. 理解 K3s轻量Kubernetes：边缘与IoT部署实战 19分钟 · 120分
  10. 理解 Grafana可视化：监控告警面板 25分钟 · 120分
  11. 理解 告警规则设计与智能路由 21分钟 · 120分
MLOps工程11 节
  1. 理解 模型注册表核心概念 22分钟 · 120分
  2. 理解 模型卡Model Card编写指南 23分钟 · 120分
  3. 理解 规范化模型审批流程设计与实践 22分钟 · 120分
  4. 理解 指标记录：量化每次实验的价值 23分钟 · 120分
  5. 理解 指标记录与对比的一体化实践 20分钟 · 120分
  6. 理解 团队协作实验：让知识在团队中流动 18分钟 · 120分
  7. 理解 推理服务扩缩容：弹性应对流量波动 21分钟 · 120分
  8. 理解 数据快照：为实验锁定数据状态 20分钟 · 120分
  9. 理解 特征版本控制：让特征工程可追溯 30分钟 · 120分
  10. 理解 实验设计原则：做好A/B测试的根基 26分钟 · 120分
  11. 理解 多臂老虎机MAB：智能流量分配新范式 20分钟 · 120分
AI系统架构9 节
  1. 理解 服务间通信：微服务协作的纽带 23分钟 · 120分
  2. 理解 gRPC与REST：服务通信协议深度对比 21分钟 · 120分
  3. 理解 AI微服务架构中的分布式追踪：让链路可观测 23分钟 · 120分
  4. 理解 消息可靠投递：不丢消息的工程保证 20分钟 · 120分
  5. 理解 AI系统中的Redis缓存策略设计 20分钟 · 120分
  6. 理解 本地缓存Caffeine：Java高性能缓存利器 21分钟 · 120分
  7. 理解 异步处理基石：任务队列设计原理 22分钟 · 120分
  8. 理解 流式处理：实时数据管道的核心引擎 21分钟 · 120分
  9. 理解 异步任务监控：掌控后台任务的脉搏 23分钟 · 120分
模型监控与漂移检测4 节
  1. 理解 漂移检测算法ADWIN与DDM实战 21分钟 · 120分
  2. 理解 模型上线后的A/B测试监控体系搭建 20分钟 · 120分
  3. 理解 影子部署vs在线评估：两种验证方案 23分钟 · 120分
  4. 理解 AI系统Runbook应急手册设计指南 22分钟 · 120分
AI系统可观测性5 节
  1. 理解 吞吐量监控：衡量系统的处理能力 22分钟 · 120分
  2. 理解 模型请求队列深度：发现排队瓶颈 20分钟 · 120分
  3. 理解 日志聚合Elasticsearch与Loki实战 14分钟 · 120分
  4. 理解 一文搞懂SLI、SLO、SLA的定义与关系 24分钟 · 120分
  5. 理解 Runbook自动化运维与SLO告警体系 19分钟 · 120分
API设计与AI服务4 节
  1. 理解 gRPC高性能通信原理与AI服务优化 19分钟 · 120分
  2. 理解 SSE还是WebSocket？流式API通信方案选型指南 19分钟 · 120分
  3. 理解 连接管理：长连接的工程化治理 21分钟 · 120分
  4. 理解 从OpenAPI规范到SDK自动生成全流程 19分钟 · 120分
AI测试与质量保证8 节
  1. 理解 ML模型单元测试：输入输出边界怎么验 28分钟 · 120分
  2. 理解 成员推断攻击与隐私测试 24分钟 · 120分
  3. 理解 测试覆盖度：数据代码与边界全覆盖 20分钟 · 120分
  4. 理解 训练-测试数据泄露检测实战 23分钟 · 120分
  5. 理解 数据隐私合规测试：去标识化验证实战 17分钟 · 120分
  6. 理解 自动化基准测试与性能回归检测 21分钟 · 120分
  7. 理解 模型监控告警与测试触发联动实战 17分钟 · 120分
  8. 理解 测试左移与开发阶段质量门禁实战 21分钟 · 120分
可观测性与监控8 节
  1. 理解 延迟P50/P95/P99分位数监控与告警实战 23分钟 · 120分
  2. 理解 幻觉检测：自一致性与外部知识校验 18分钟 · 120分
  3. 理解 标签漂移Label Drift与KS检验 21分钟 · 120分
  4. 理解 MMD高维数据漂移检测 22分钟 · 120分
  5. 理解 漂移溯源：逐特征贡献度SHAP归因 24分钟 · 120分
  6. 理解 用户群分片下的模型公平性指标分析方法 22分钟 · 120分
  7. 理解 A/B测试显著性检验：t检验与贝叶斯方法 21分钟 · 120分
  8. 理解 推理服务冷启动与自动扩缩容实战 20分钟 · 120分
AgentOps与LLM运维7 节
  1. 理解 Agent性能监控：实时指标追踪 21分钟 · 120分
  2. 理解 Agent SLA/SLO：服务质量定义 24分钟 · 120分
  3. 理解 Arize Phoenix：AI分析可观测性 7分钟 · 120分
  4. 理解 Token消耗实时追踪与告警方案 20分钟 · 120分
  5. 理解 PostHog：开源产品分析与LLM可观测性 11分钟 · 120分
  6. 理解 HumanEval基准：LLM代码能力评估标准 20分钟 · 120分
  7. 理解 LLM评估中的A/B测试与统计显著性判断 25分钟 · 120分
第3篇计算机基础篇
软件工程方法论3 节
  1. 理解 六边形架构端口与适配器模式 18分钟 · 120分
  2. 理解 技术债管理策略与偿还计划 20分钟 · 120分
  3. 理解 Saga模式处理分布式事务 23分钟 · 120分
第4篇AI应用开发篇
LLM应用工程1 节
  1. 理解 灰度发布：LLM上线的安全气垫 21分钟 · 120分
第5篇机器学习篇
模型评估与选择1 节
  1. 理解 做A/B测试前先把实验设计好 20分钟 · 120分
第6篇AI评测与基准测试篇
LLM评测体系15 节
  1. 理解 MMLU学科覆盖范围：LLM评测体系设计方法 22分钟 · 120分
  2. 理解 MMLU基准测试：57学科大模型知识评测 21分钟 · 120分
  3. 理解 MMLU学科分组分析：评测结果深度解读方法 23分钟 · 120分
  4. 理解 Chatbot Arena：Elo排名评测 18分钟 · 120分
  5. 理解 TVM自动调优AutoTVM与Ansor 22分钟 · 120分
  6. 理解 自定义算子Codegen：TVM/Triton/CUDA编程技术 7分钟 · 120分
  7. 理解 HumanEval+代码生成评测增强版 20分钟 · 120分
  8. 理解 MultiPL-E多语言代码评测：代码能力评估体系构建 25分钟 · 120分
  9. 理解 GSM8K多步推理链：数学推理评测方法 22分钟 · 120分
  10. 理解 GSM8K答案抽取与验证：推理结果校验技术方案 20分钟 · 120分
  11. 理解 GSM8K数学评测与人类表现：模型能力对比分析方法 20分钟 · 120分
  12. 理解 GPQA Diamond：博士级AI能力考试 20分钟 · 120分
  13. 理解 GPQA Main：研究生级AI基准全解 20分钟 · 120分
  14. 理解 Arena Elo盲测流程：LLM竞技场评测体系 21分钟 · 120分
  15. 理解 Elo统计显著性：模型排名验证 19分钟 · 120分
多模态模型评测8 节
  1. 理解 GQA图推理：视觉问答评测基准 22分钟 · 120分
  2. 理解 VQA准确率怎么算？视觉问答评测指标 19分钟 · 120分
  3. 理解 图像分割mIoU指标：多模态评测中的关键指标 23分钟 · 120分
  4. 理解 密集预测benchmark：图像理解评测体系构建 19分钟 · 120分
  5. 理解 视频时序定位：视频理解评测方法 22分钟 · 120分
  6. 理解 长视频理解Long Video：视频模型评测基准 19分钟 · 120分
  7. 理解 ChartQA图表理解：多模态推理评测方法 21分钟 · 120分
  8. 理解 空间推理Spatial评测：多模态空间认知评估 21分钟 · 120分
模型能力维度评估11 节
  1. 理解 逻辑推理Benchmark：推理能力评估体系构建 20分钟 · 120分
  2. 理解 因果推理评估：推理能力维度分析方案 21分钟 · 120分
  3. 理解 ARC推理挑战：大模型能力评测 24分钟 · 120分
  4. 理解 AI代码修复能力评测：从Bug到自动修复 22分钟 · 120分
  5. 理解 实测Copilot：代码补全效果全面评测 8分钟 · 120分
  6. 理解 怎么测AI写的代码安不安全：评测指南 26分钟 · 120分
  7. 理解 形式化验证评测：数学能力评估方法 19分钟 · 120分
  8. 精通 形式化验证Formal Proof：数学能力评测技术方案 24分钟 · 180分
  9. 精通 大模型创意写作能力的评测方法与基准 24分钟 · 180分
  10. 精通 大模型创意能力的多维评估方法体系 23分钟 · 180分
  11. 精通 AI创意能力评估：人工评测与自动评测之争 22分钟 · 180分
RAG与Agent评测9 节
  1. 精通 RAGAS上下文召回率评估 23分钟 · 180分
  2. 精通 如何用三要素方法给RAG系统打分 36分钟 · 180分
  3. 精通 SWE-bench软件工程任务：Agent能力评测方案 20分钟 · 180分
  4. 精通 修复验证Pass与Fail：怎么判断AI补丁真的管用 30分钟 · 180分
  5. 精通 WebArena智能体网页交互评测 23分钟 · 180分
  6. 精通 WebArena浏览器操作能力评测 24分钟 · 180分
  7. 精通 API调用准确率：Agent工具评测 22分钟 · 180分
  8. 精通 工具调用评测：参数生成正确性指标 22分钟 · 180分
  9. 精通 工具调用错误恢复评测 19分钟 · 180分
评测方法论7 节
  1. 精通 AI评测的成本与效率权衡 20分钟 · 180分
  2. 精通 人工与自动混合评测策略 19分钟 · 180分
  3. 精通 LLM裁判一致性评估方法 19分钟 · 180分
  4. 精通 LLM评测必修：位置偏差怎么消除 19分钟 · 180分
  5. 精通 评测数据泄露检测方法 23分钟 · 180分
  6. 精通 成员推断检测技术 22分钟 · 180分
  7. 精通 私有评测集构建指南 22分钟 · 180分
AI安全测试7 节
  1. 精通 提示注入攻击与评测 28分钟 · 180分
  2. 精通 AdvBench：AI安全对抗性测试基准 20分钟 · 180分
  3. 精通 罕见输入组合测试方法 25分钟 · 180分
  4. 精通 罕见组合测试实战策略 24分钟 · 180分
  5. 精通 红队自动化测试框架Garak与Giskard 16分钟 · 180分
  6. 精通 AI安全漏洞严重度评分体系 24分钟 · 180分
  7. 精通 CVSS漏洞严重度评分标准 19分钟 · 180分
第7篇云计算与AI基础设施篇
云平台AI服务8 节
  1. 精通 AWS Bedrock：大模型服务入门 24分钟 · 180分
  2. 精通 S3数据湖搭建AI数据管道架构 22分钟 · 180分
  3. 精通 谷歌Vertex AI架构：一站式MLOps怎么搭 22分钟 · 180分
  4. 精通 GKE GPU集群：云端AI算力管理 24分钟 · 180分
  5. 精通 Azure OpenAI Service：云上GPT集成 22分钟 · 180分
  6. 精通 Application Insights：全链路监控 30分钟 · 180分
  7. 精通 腾讯云TI平台 26分钟 · 180分
  8. 精通 国内云大模型服务横向对比 25分钟 · 180分
云原生架构8 节
  1. 精通 K8s Network Policy：容器网络管控 22分钟 · 180分
  2. 精通 K8s集群升级与维护策略 29分钟 · 180分
  3. 精通 流量管理与灰度发布实践 20分钟 · 180分
  4. 精通 Ambient Mesh：无Sidecar服务网格 24分钟 · 180分
  5. 精通 Kustomize：声明式K8s配置管理与覆盖 18分钟 · 180分
  6. 精通 构建Prometheus指标采集平台实践 23分钟 · 180分
  7. 精通 OpenTelemetry云原生全链路可观测标准 19分钟 · 180分
  8. 精通 云原生成本可观测与资源核算 20分钟 · 180分
基础设施即代码5 节
  1. 精通 Terraform Module模块化最佳实践 22分钟 · 180分
  2. 精通 CI/CD与GitOps IaC：基础设施自动化 23分钟 · 180分
  3. 精通 云原生配置管理：GitOps与声明式配置实践 19分钟 · 180分
  4. 精通 云原生Secrets全链路安全管理实践 30分钟 · 180分
  5. 精通 金丝雀发布与渐进交付实践 20分钟 · 180分
AI云服务设计9 节
  1. 精通 AI推理服务SLA架构设计法 16分钟 · 180分
  2. 精通 推理服务模型缓存策略设计 24分钟 · 180分
  3. 精通 推理服务容量规划方法 23分钟 · 180分
  4. 精通 推理成本归因体系构建 25分钟 · 180分
  5. 精通 技术债务量化与管理方法 22分钟 · 180分
  6. 精通 影子部署零风险验证新模型上线 24分钟 · 180分
  7. 精通 Feature Flag驱动AI模型灰度发布 23分钟 · 180分
  8. 精通 跨云网络专线与互联方案 20分钟 · 180分
  9. 精通 多云安全治理体系设计 25分钟 · 180分
AI负载测试与容量规划5 节
  1. 精通 GPU推理负载：特征分析与压测 23分钟 · 180分
  2. 精通 全链路压测实战：从流量录制到瓶颈定位的完整流程 25分钟 · 180分
  3. 精通 LLM服务冷启动优化：预热策略降低延迟 19分钟 · 180分
  4. 精通 SRE入门：站点可靠性工程核心原则与实践 22分钟 · 180分
  5. 精通 SRE变更管理：稳定上线的护航术 22分钟 · 180分
第8篇现代软件架构与云原生篇
微服务与云原生架构8 节
  1. 精通 事件风暴工作坊：用贴纸搞定领域建模 22分钟 · 180分
  2. 精通 Saga分布式事务：编排式与协同式实现对比 20分钟 · 180分
  3. 精通 微服务反模式识别与规避 22分钟 · 180分
  4. 精通 mTLS零信任与SPIFFE身份体系 23分钟 · 180分
  5. 精通 Chaos Mesh服务网格集成实践 24分钟 · 180分
  6. 精通 K8s存储演进：从in-tree到CSI架构 13分钟 · 180分
  7. 精通 云原生分布式数据库架构对比：三款主流方案 18分钟 · 180分
  8. 精通 多区域存储与跨集群复制 23分钟 · 180分
消息驱动与事件架构8 节
  1. 精通 Kafka Producer幂等事务与EOS一致性 26分钟 · 180分
  2. 精通 NATS JetStream：轻量消息与流存储设计 19分钟 · 180分
  3. 精通 消息中间件选型决策树 22分钟 · 180分
  4. 精通 事件溯源的Snapshot与Upcasting方案 22分钟 · 180分
  5. 精通 事件版本化实战：Schema演进与兼容性管理 22分钟 · 180分
  6. 精通 Flink架构剖析：三大核心组件 19分钟 · 180分
  7. 精通 流处理状态后端选型 20分钟 · 180分
  8. 精通 流处理金融反欺诈与IoT实战 24分钟 · 180分
可观测性与SRE10 节
  1. 精通 时序数据库对比VictoriaMetrics与Thanos 20分钟 · 180分
  2. 精通 W3C Trace Context链路传播与采样 19分钟 · 180分
  3. 精通 Metrics日志链路三大支柱关联查询 23分钟 · 180分
  4. 精通 SRE事故管理：Severity分级与指挥官机制 30分钟 · 180分
  5. 精通 变更管理四件套：CAB灰度Flag与回滚 23分钟 · 180分
  6. 精通 Chaos Mesh/Litmus/Gremlin：混沌工具 20分钟 · 180分
  7. 精通 GameDay组织与跨团队协同 25分钟 · 180分
  8. 精通 AIOps异常检测与根因分析实战 22分钟 · 180分
  9. 精通 可观测性三大支柱 23分钟 · 180分
  10. 精通 可观测性三大支柱 23分钟 · 180分
Serverless与边缘计算8 节
  1. 精通 Serverless对比：AWS/Azure/Cloud Functions 19分钟 · 180分
  2. 精通 三大Serverless工作流编排引擎对比 30分钟 · 180分
  3. 精通 Serverless在ETL与AI推理中的落地 20分钟 · 180分
  4. 精通 WASM在边缘崛起：比容器更适合边缘运行时 25分钟 · 180分
  5. 精通 边缘节点调度与Anycast流量接入 23分钟 · 180分
  6. 精通 平台工程与DevOps演进关系 28分钟 · 180分
  7. 精通 CloudFoundry与Heroku和CapRover对比 20分钟 · 180分
  8. 精通 平台成熟度模型与开发者NPS 23分钟 · 180分
云原生与微服务架构进阶6 节
  1. 精通 K8s Pod生命周期与健康探针 22分钟 · 180分
  2. 精通 CRD与Operator：Kubebuilder开发 19分钟 · 180分
  3. 精通 K8s调度器：Pod调度与资源管理机制 28分钟 · 180分
  4. 精通 服务间通信安全与协议实践 18分钟 · 180分
  5. 精通 WASM插件机制：扩展Service Mesh新方式 31分钟 · 180分
  6. 精通 Trivy与Falco：云原生安全扫描与运行时防护 23分钟 · 180分
云原生可观测性与可靠性5 节
  1. 精通 Prometheus指标采集与告警体系搭建 18分钟 · 180分
  2. 精通 eBPF内核级可观测性技术实践 18分钟 · 180分
  3. 精通 GitOps原理：声明式持续交付 25分钟 · 180分
  4. 精通 渐进式发布策略Canary与蓝绿 22分钟 · 180分
  5. 精通 ORAS云原生制品分发：不只是容器镜像 24分钟 · 180分
云原生存储与数据库3 节
  1. 精通 Ceph存储：对象/块/文件统一 25分钟 · 180分
  2. 精通 向量数据库Milvus与Qdrant对比 24分钟 · 180分
  3. 精通 Ceph与GlusterFS：分布式文件系统架构对比 23分钟 · 180分
AIQZ.CC · 可观测性工程师岗位说明书 · 返回星图选择岗位 · 2026