日常巡检与维护周期

巡检不是机械确认“服务是绿的”，而是尽早发现账号池变薄、费用漂移、后台任务停止和容量逐渐逼近上限。

每日巡检

服务与流量

• 外部 /health、登录和一次真实模型请求。
• 最近 24 小时成功率、请求错误率和上游错误率。
• QPS/TPS、TTFT P95/P99 和总耗时。
• 并发队列是否持续不为零。
• DB/Redis 状态、连接等待、CPU、内存和磁盘。

账号池

• 各平台、Group 的可用账号数。
• error、rate limited、overloaded、temp unscheduled 数量。
• OAuth refresh failure 和即将到期账号。
• 5h/7d/日/周 quota 即将耗尽账号。
• Proxy 异常、出口变化和集中故障。

计费与业务

• Usage worker/聚合任务 heartbeat。
• 昨日用户费用与账号成本。
• 上游账单与本地 account cost 的明显偏差。
• pricing missing、usage missing 或异常零费用。
• 支付订单、webhook 和人工调账异常。

每周维护

• 对每个平台抽样执行账号测试、流式请求和工具调用。
• 检查模型列表、映射、价格和已下线模型。
• 复盘错误率最高的账号、Group、模型和供应商。
• 检查未使用账号、未使用 Key、过期用户授权。
• 查看数据库增长、Redis 内存、Ops 错误日志和 usage_logs 增长。
• 确认备份任务成功，并抽查文件大小和校验值。
• 检查告警规则是否长期 firing、被静默或从未触发。

每月维护

• 完成一次隔离恢复演练。
• 轮换到期的 API Key、云凭证和管理员权限。
• 审查上游账号来源、负责人、付款和服务条款。
• 评估 Group 容量、供应商集中度和故障域。
• 对账用户收入、余额变更、上游成本和退款。
• 清理超出保留期的日志和聚合数据。
• 评估版本升级、数据库迁移和安全更新。

巡检记录模板

项目	结果	证据	负责人/截止时间
可用账号数	正常/异常	Ops 截图或查询时间
错误率/TTFT		时间范围和筛选
DB/Redis		指标或日志
账号到期		账号 ID 列表
费用对账		上游账单区间
备份		文件、大小、校验值
遗留事件		事件链接

不建议的巡检方式

• 只打开首页，不发真实 API 请求。
• 只看总成功率，不按平台和 Group 切分。
• 把 401、429、No available accounts 全部过滤掉。
• 只确认备份文件存在，从未恢复。
• 看到账号错误就批量清错，不记录原因。
• 只看用户费用，不与上游账单核对。