英文：Monitoring and Alerting 分类：infra
持续采集系统指标并在异常时自动通知运维的机制（如 Prometheus + Alertmanager），是保障服务 SLA 的核心。
监控对象：基础设施（CPU/内存/GPU）、应用（延迟/错误率/吞吐）、业务（请求量/转化）；告警设计：阈值+趋势、分级（P1-P3）、通知渠道（IM/电话）；避免告警疲劳（去重、抑制、聚合）。
用于线上服务 7x24 保障、GPU 集群利用率监控、训练任务健康监测与容量预警；监控告警是"系统不出大事故"的哨兵。