模型上线不是终点，而是持续运营的起点。线上数据分布会变、用户行为会变、竞品和外部环境也会变，缺乏监控的模型会在不知不觉中衰减。
首先要监控数据层面。特征均值、方差、缺失率、取值分布是否偏离训练时的基线，输入特征的覆盖率是否下降。数据管道故障往往先于效果下降出现，是重要的早期信号。
其次监控预测层面。模型输出的打分分布、正样本比例、排序结果的多样性是否稳定，有没有出现打分集中在某个区间或大量相同分数的异常情况。
最重要的是效果层面。核心业务指标如点击率、转化率、人均时长要持续跟踪，并与对照组合对比。由于指标天然波动，要设置合理的告警阈值，避免噪声触发误报。
发现衰减后要定位原因：是数据漂移、特征管道问题，还是用户偏好真的变了。定期用新数据重新训练、做模型迭代是常规手段，但每次更新都要经过离线评估和在线实验，避免引入新问题。
