MLOps与传统DevOps有何本质区别？
MLOps面临数据和模型的双重不确定性。代码版本控制之外，还需管理数据集版本、特征工程逻辑、超参数与随机种子。模型输出非确定性，需要额外追踪实验血缘，确保可复现性。此外，模型性能会随时间漂移，必须持续监控。
核心组件包括哪些？
自动化训练管道（特征存储、超参调优、模型注册）、部署策略（金丝雀发布、A/B测试）、监控模块（性能衰减、数据/概念漂移）、模型治理（审批流、版本回滚）。同时需要元数据追踪实验日志，实现全链路可审计。
如何设计持续监控与告警体系？
三环监控：实时环检测延迟与错误率；小时环计算PSI或KL散度，预警数据漂移；日环用新标注数据计算业务指标。分级告警（P0/P1/P2），P0触发自动回滚或人工介入。保留至少3个历史版本支持快速回滚。
ragal(https://rooyy.com/?people=ragal)