Monitorowanie produkcji i alertowanie — Niezawodność i reakcja na incydenty

Niezawodność wymaga widoczności. Nie możesz naprawić tego, czego nie widzisz. Nasza infrastruktura monitorowania i alertowania zapewnia kompleksową obserwowalność zdrowia widgetu, wydajności, błędów i doświadczenia użytkownika — umożliwiając proaktywne wykrywanie incydentów i szybką reakcję.

Centralne śledzenie błędów

Każdy wyjątek jest rejestrowany, wzbogacany o kontekst i przesyłany do usług śledzenia błędów (Sentry, Rollbar, Bugsnag, Application Insights). Zarejestrowane dane obejmują:

• Pełny ślad stosu z mapami źródłowymi dla czytelnych numerów plików/linii
• Kontekst użytkownika (identyfikator odwiedzającego, identyfikator sesji, identyfikator rozmowy — bez PII)
• Informacje o urządzeniu i przeglądarce
• Ślad działań użytkownika prowadzących do błędu
• Historia żądań sieciowych (niedawne wywołania API, kody odpowiedzi)

Monitorowanie wydajności i metryki

Kluczowe metryki śledzone według percentyli (p50, p75, p90, p95, p99):

• Czas do pierwszego bajtu (TTFB) — opóźnienie odpowiedzi API backendu
• Pierwsze malowanie zawartości (FCP) — jak szybko widget staje się widoczny
• Czas do interakcji (TTI) — kiedy użytkownicy mogą wysyłać wiadomości
• Czas renderowania wiadomości — jak długo trwa wyświetlanie odpowiedzi AI
• Opóźnienie pobierania bazy wiedzy — wydajność wyszukiwania

Metryki p95/p99 zapewniają, że przypadki brzegowe wpływające na małe procenty użytkowników są adresowane.

Budżety wydajności zapobiegają regresjom

Zdefiniuj akceptowalne progi wydajności:

• „Widget musi ładować się w < 2 sekundy na połączeniach 3G”
• „Odpowiedzi AI muszą renderować się w < 500ms”
• „Wyszukiwanie bazy wiedzy musi zwracać w < 1 sekundę”

Monitorowanie alertów, gdy rzeczywista wydajność narusza budżety.

Zasady alertowania i polityki eskalacji

Progi dla zdarzeń wymagających działania:

• Wskaźnik błędów > 1% — wyzwala ostrzeżenie
• Wskaźnik błędów > 5% — wyzwala krytyczną stronę
• Opóźnienie API p95 > 3 sekundy — wyzwala dochodzenie
• > 100 nieudanych prób uwierzytelnienia w 5 minut — możliwy atak

Alerty przechodzą przez systemy na dyżurze (PagerDuty, Opsgenie) z politykami eskalacji i dołączonymi instrukcjami operacyjnymi.

Kontrole zdrowia dla monitorowania czasu działania

• /health — zwraca 200 OK, jeśli usługa działa
• /health/deep — weryfikuje łączność z bazą danych, dostęp do bazy wiedzy i dostępność usługi AI

Kontrole zdrowia są uruchamiane co 30–60 sekund z wielu regionów geograficznych. Zgodność z SLA jest śledzona automatycznie.

Proaktywne wykrywanie anomalii

Modele uczenia maszynowego wykrywają nietypowe wzorce:

• Nagłe wzrosty ruchu (treści wirusowe lub atak DDoS?)
• Nietypowe wskaźniki błędów (niedawne wdrożenie spowodowało regresję?)
• Anomalie geograficzne (degradacja usługi w konkretnym regionie?)
• Wzorce czasowe (wydajność pogarsza się co noc o 2 w nocy — dlaczego?)