模型上线后效果随时间下降，未必是代码问题，可能是数据分布变了。用户结构、物品供给和外部环境变化，都会让训练时的假设失效。
分布漂移分为特征漂移和标签漂移。特征漂移指输入分布变化，标签漂移指特征与目标的关系变化，两者需要不同的应对方式。
监控特征统计量是发现漂移的常用手段。均值、分位数和缺失率若明显偏离训练基线，就应触发排查，判断是真实业务变化还是采集故障。
应对方式包括定期重训、滑动窗口训练和在线更新。重训频率取决于变化速度，快速变化的场景需要更短的更新周期。
漂移检测要设合理阈值。阈值太敏感会频繁误报，太迟钝则错过最佳干预时机，需要结合历史波动确定。
