00 · 怎么用这份教程

⏱ 14 分钟

🎯 一句话

本库其他几套教的都是「怎么把模型训出来」。 这一套从模型训完的那一刻开始 —— 因为在真实工作里，训练只占你时间的两成，剩下八成都在这一套里。

🧩 它和其他几套的分工

🕐 为什么说「训练只占两成」

   一个模型的一生：

   ├─ 想清楚要解什么问题        ← 其他教程讲了
   ├─ 搞数据、做特征            ← 其他教程讲了
   ├─ 训练、调参                ← 其他教程讲了  ← 大部分教程到这就结束了
   │
   ├─ 上线：灰度、影子、回滚      ⭐ 本教程
   ├─ 监控：它还活着吗            ⭐ 本教程
   ├─ 排查：为什么今天不对劲       ⭐ 本教程
   ├─ 证明：这个提升真是我带来的吗  ⭐ 本教程
   ├─ 重训：什么时候该重新训       ⭐ 本教程
   └─ 下线：怎么安全地退役        ⭐ 本教程

   ⭐ 上面那三条你可能做几周；下面这六条要做【几年】

🎭 这一套的思维方式，和训练时完全不同

🔑 最关键的是第三行： 训练时的 bug 会报错，上线后的问题往往不报错。 一个把特征算错的模型照样能返回结果、照样有正常的 QPS 和延迟 —— 它只是答案变差了。这就是为什么监控和归因是这一套的核心。

⚠️ 三条阅读规则

① 这套教程假设你已经会训模型

不讲算法、不讲调参。如果你还不会训模型，先去机器学习与深度学习基础。

② 每章都有「真实事故」

因为这一套里的规矩（要做影子流量、要监控特征分布、不能只看均值）单独看全是麻烦事， 只有知道不做会死在哪，才不用背。

③ 可以按需跳读

和其他几套不同，这套教程的章节耦合度低。 遇到具体问题时，直接跳到对应那章即可 —— 每章开头的 ⏱ 徽章告诉你要花多久， 🎯 一句话直接给出这一章的结论，30 秒就能判断是不是你要找的那一章。 按问题找章的入口有两个：本章开头那张「它和其他几套的分工」对照表， 以及下面的「⏱️ 四种读法」。

🗺️ 教程结构（21 章 + 附录）

  【坐标系】   00 怎么用   01 训练完才是开始
  【放出去】   02 离线好≠线上好   03 灰度影子回滚   04 训练/推理一致性 ⭐
  【看得见】   05 该监控什么   06 数据与概念漂移
              07 没标签怎么发现退化 ⭐⭐   08 告警为什么没人看
  【说得清】   09 特征重要性的三种谎言 ⭐   10 SHAP 能与不能
              11 从告警到根因 ⭐
  【证得了】   12 A/B 你以为你懂了   13 不能做 A/B 时 ⭐⭐
              14 辛普森悖论与七个陷阱   15 长期效应与代理指标
  【活得久】   16 重训练   17 版本回溯与可复现   18 成本与容量
              19 合规审计与模型卡
  【动手】     20 实战与挑战项目
  【随时查】   附录A 速查

三章是高光：

⏱️ 四种读法

💡 如果只有一小时：读 04 和 07。 一个是最常见的事故源，一个是最容易被忽略的盲区 —— 这两件事挡住了大部分线上翻车。

🔗 它在整个学习地图里的位置

   《数据这一关》 ← ⭐ 姊妹篇：模型【之前】的那一半
              │      （那套管训之前的数据，这套管训完之后的模型）
              ▼
   《机器学习与深度学习基础》 ← 怎么训出来（先有这个）
              │
              ├──→ 《推荐算法》/《Kaggle》 ← 把它训好
              │
              ▼
   《模型上线之后》 ← 你在这里：训好之后的那几年
              │
              └──→ 对应到具体场景：
                   推荐算法 12/15、智能体工程 16、全景导论 13

✅ 检查点

1. 这套教程和其他几套的分工是什么？
2. 「训练只占两成」指的是什么？
3. 训练时和上线后，思维方式最关键的差别是哪一条？
4. 为什么这套教程每章都要写真实事故？
5. 只有一小时该读哪两章？为什么是这两章？

🛑 开始

⚡ 走神救援

其他几套教的都是「怎么把模型训出来」，这套从模型训完的那一刻开始——因为在真实工作里训练只占你时间的两成，剩下八成都在这一套里。分工：ML 基础教你离线怎么评估，不管"上线后指标变了怎么办"；推荐算法教你 A/B 怎么做，不管"不能做 A/B 时怎么办"。⭐还有一套姊妹篇《数据这一关》——那套讲数据进模型之前出的事，这套讲模型上线之后出的事，两边在版本血缘（数据 17 ↔ 本套 17）和特征一致性（数据 18 ↔ 本套 04）上直接接口。⭐为什么是两成：想问题、搞数据、训练调参你可能做几周；而上线回滚、监控、排查、证明效果、重训、下线这六件事要做几年。⭐⭐上线后的思维方式完全不同：数据从"固定干净"变成"一直在变而且没人通知你"；反馈从"立刻有指标"变成"标签可能几周后才来"；成功标准从测试集分数变成"业务指标，且要证明是你造成的"；训练能重来，上线后不能，用户已经看到了那个结果。💀最关键的是失败的形态变了：训练时的 bug 会报错，上线后的问题往往不报错——一个把特征算错的模型照样返回结果、照样有正常的 QPS 和延迟，它只是答案变差了，这就是为什么监控和归因是这一套的核心。⚠️前置：假设你已经会训模型，不讲算法与调参。每章都有真实事故，因为影子流量、监控特征分布这些规矩单独看全是麻烦事，知道不做会死在哪才不用背；⭐章节耦合度低，可以按需跳读。三个高光：⭐04 训练/推理一致性（最常见也最难查，它不报错，只是悄悄变差）、⭐⭐07 没标签怎么发现退化（标签要等几周，这期间你靠什么判断模型还活着）、⭐⭐13 不能做 A/B 时。四种读法：刚要上线怕出事走 02→03→04→05；线上已经出问题走 11→06→09→04；要证明效果走 12→13→14→15。⭐只有一小时就读 04 和 07——一个是最常见的事故源，一个是最容易被忽略的盲区。

👉 01-训练完才是开始.md