模型上线不是终点而是起点。数据分布会漂移、用户行为会变化、上游特征会故障，缺乏监控的模型可能悄无声息地退化，直到业务指标下滑才被发现，损失已经造成。
第一层监控是数据质量：特征缺失率、取值越界、分布偏移、特征与训练时的一致性。用PSI或KL散度对比线上与训练分布的差异，超过阈值即报警，能及早发现上游数据问题。
第二层是模型输出监控：预测分数的分布、正样本比例、排序结果的头部分布。若预测均值突然偏移或头部物品固化，说明模型行为异常，可能源于特征故障或分布漂移。
第三层是业务指标监控：点击率、转化率、停留时长、多样性、新物品曝光占比。这些是最终检验，但发现较晚。应与前两层结合，形成从数据到模型的预警链条。
监控之外还需建立回滚机制：模型版本可快速切换、特征管道有降级方案、异常时能回退到规则或旧模型。报警要分级并明确责任人，避免告警疲劳导致真正的问题被淹没。
