灰度发布与回滚（AI 功能上线）

一句话理解

AI 功能的“安全带”——先放 5% 流量看效果，不对劲一键回旧版，别让新模型一夜砸了全部用户。

定义

灰度发布让新版本（模型、提示词、检索配置）先服务小比例流量，观察质量与业务指标后再逐步放量；回滚是异常时切回旧版的能力。AI 场景的灰度比传统软件更重要——模型行为受随机性与数据影响，离线评测（1097）过不了真实流量这一关。

你会在哪遇到它

发布平台的流量比例开关；AI 功能上线方案里的“灰度计划”；事故复盘里的“没有回滚”教训。

背后的原理

AI 灰度的观察指标分层：技术层（错误率、延迟）、质量层（用户点赞点踩、人工抽检）、业务层（转化、留存）。回滚要演练——切换开关、旧版本产物（模型文件、提示词版本 1096）都在触手可及处。与提示词版本管理（1096）是黄金搭档：版本可指认可切换，灰度才有意义。

和相近概念的区别

1 与评测流水线（1097）：流水线管上线前的自动把关，灰度管上线后的真实世界验证。 2 与提示词版本管理（1096）：版本管理让“切回旧版”可执行，灰度让切换渐进可控。 3 与 A/B 测试：灰度求稳（小流量验证），A/B 求结论（统计对比），常连着做。

常见误区

1 评测过了就全量——真实流量的分布永远比测试集刁钻。 2 灰度期越短越好——质量信号需要积累期，太短等于没灰度。 3 回滚等出事再说——没演练过的回滚等于没有回滚。