Monitoramento e Alerta de Produção — Confiabilidade e Resposta a Incidentes

A confiabilidade requer visibilidade. Você não pode corrigir o que não pode ver. Nossa infraestrutura de monitoramento e alerta fornece observabilidade abrangente sobre a saúde do widget, desempenho, erros e experiência do usuário — permitindo a detecção proativa de incidentes e resposta rápida.

Rastreamento centralizado de erros

Cada exceção é capturada, enriquecida com contexto e encaminhada para serviços de rastreamento de erros (Sentry, Rollbar, Bugsnag, Application Insights). Os dados capturados incluem:

• Rastro de pilha completo com mapas de origem para números de arquivo/linha legíveis
• Contexto do usuário (ID do visitante, ID da sessão, ID da conversa — sem PII)
• Informações sobre dispositivo e navegador
• Rastro de ações do usuário que levaram ao erro
• Histórico de solicitações de rede (chamadas de API recentes, códigos de resposta)

Monitoramento de desempenho e métricas

Métricas-chave rastreadas por percentil (p50, p75, p90, p95, p99):

• Tempo até o Primeiro Byte (TTFB) — latência de resposta da API de backend
• Primeira Pintura de Conteúdo (FCP) — quão rápido o widget se torna visível
• Tempo até Interativo (TTI) — quando os usuários podem enviar mensagens
• Tempo de renderização da mensagem — quanto tempo as respostas de IA levam para serem exibidas
• Latência de recuperação da base de conhecimento — desempenho de busca

Métricas p95/p99 garantem que casos extremos que afetam pequenas porcentagens de usuários sejam abordados.

Orçamentos de desempenho evitam regressões

Defina limites de desempenho aceitáveis:

• "O widget deve carregar em < 2 segundos em conexões 3G"
• "As respostas de IA devem ser renderizadas em < 500ms"
• "A busca na base de conhecimento deve retornar em < 1 segundo"

Alertas de monitoramento quando o desempenho do mundo real viola orçamentos.

Regras de alerta e políticas de escalonamento

Limites para eventos acionáveis:

• Taxa de erro > 1% — aciona aviso
• Taxa de erro > 5% — aciona página crítica
• Latência da API p95 > 3 segundos — aciona investigação
• > 100 tentativas de autenticação falhadas em 5 minutos — possível ataque

Alertas são roteados através de sistemas de plantão (PagerDuty, Opsgenie) com políticas de escalonamento e runbooks anexados.

Endpoints de verificação de saúde para monitoramento de tempo de atividade

• /health — retorna 200 OK se o serviço estiver operacional
• /health/deep — verifica conectividade com o banco de dados, acesso à base de conhecimento e disponibilidade do serviço de IA

As verificações de saúde são executadas a cada 30–60 segundos de várias regiões geográficas. A conformidade com SLA é rastreada automaticamente.

Detecção proativa de anomalias

Modelos de aprendizado de máquina detectam padrões incomuns:

• Picos de tráfego súbitos (conteúdo viral ou ataque DDoS?)
• Taxas de erro incomuns (implantação recente causou regressão?)
• Anomalias geográficas (degradação do serviço em região específica?)
• Padrões temporais (o desempenho se degrada toda noite às 2 AM — por quê?)