Monitoring Dashboard 規格
每個遷移中模組拿到相同 6 個 block 的 dashboard。實作（Datadog / Grafana / Vercel Analytics）可彈性；版面不可。
標頭
- Module:
<domain.module_id> - 現階段：從 feature flag 讀
- Owner + on-call：
<連結> - 最近事故：
<日期 + severity>
Block A — Health（RED）
- Request rate per minute，按
method × status_group切 - Error rate（% 5xx），SLO line：< 0.5%
- Latency（p50 / p95 / p99），SLO line 用模組目標
Block B — Business KPIs（模組特化）
對照模組 playbook §11 成功指標。典型例：
- Entity create / update rate
- Pending / failed 記錄
- 模組主要業務事件 throughput
Block B 每個 panel 對應到 playbook — 沒有無目標的 metric。
Block C — Migration（Stage 1–3）
- 對帳差異率 24h，SLO line 從 playbook
- 雙寫 lag（新側落後舊側秒數）
- Stage 卡：目前 stage、進入時間、退出門檻進度
- Rollback drill：上次演練日期
Block D — AI / Agent
- Tool call rate 按 tool 名
- HITL checkpoint：pending 數 + 平均等待
- LLM 成本：hourly $ + 日累計
- Cache hit rate：prompt caching
- Eval regression 通過率：最新 PR + 每日排程
Block E — Dependencies
- 外部 API 回應率 / latency
- 上游 event 消費 lag
- 下游 event 投遞成功率
Block F — Data Quality
- Ontology drift alert（近 24h）
- 資料完整性（例：
budget IS NULL計數） - Audit log 寫入率 — 應等於 mutation 率
Alert（必設）
| 名稱 | 觸發 | 嚴重度 | 通知 |
|---|---|---|---|
<module>.error_rate_high | > 0.5% × 5m | P2 | Slack |
<module>.latency_p95_high | > SLO × 1.5 × 10m | P2 | Slack |
<module>.recon_diff_high | > SLO × 30m | P1 | PagerDuty |
<module>.dual_write_lag | > 5m | P2 | Slack |
<module>.hitl_stuck | pending > 50 或最老 > 4h | P2 | Slack + email |
<module>.llm_cost_spike | hourly > 2 倍 baseline | P2 | Slack + AI team |
<module>.eval_regression_fail | 任一 regression fail | P1（擋 merge） | PR check |
部署 checklist
模組 Stage 0 前全綠：
- Dashboard URL 在 runbook 中可點
- Block A 與 Block C 有資料（即使 shadow mode）
- 至少 3 條 alert 已 synthetic 觸發驗證
- On-call 排班指向本 dashboard
- 每週 review 議程含 dashboard walkthrough