真正能进SLA的P99必须来自Prometheus直方图指标，用histogram_quantile配合rate()和by(le)计算，Sanic用sanic_prometheus，其他框架用prometheus_client的Histogram，并按endpoint、状态码打标。
直接用 sanic_prometheus 或 prometheus_client 埋点，别手写计时器
Python服务里测P99最常见错误，就是用 time.time() 包裹一次请求然后取最大值——这根本不是P99，只是你采样里最大的那个数，样本量、分桶逻辑、并发干扰全没控制。真正能进SLA的P99必须来自直方图（histogram）指标，靠Prometheus原生聚合能力算出来。
如果你用的是Sanic，sanic_prometheus 是最省事的选择；如果是Flask/FastAPI/自研HTTP服务，直接上 prometheus_client 的 Histogram 类就行。关键不是“有没有埋点”，而是“是否按请求路径+状态码维度打标”，否则查不出哪个endpoint拖垮了整体P99。
- 避免在业务逻辑里手动记录耗时：容易漏异常分支、忽略中间件开销、无法对齐Prometheus采样周期
- 必须给
Histogram配置合理的buckets，比如[0.01, 0.025, 0.05, 0.1, 0.25, 0.5, 1.0, 2.5, 5.0]（单位秒），太密浪费存储，太疏没法定位毛刺 - 多进程部署时，
prometheus_multiproc_dir环境变量必须设好且目录为空，否则各worker指标会互相覆盖或丢失
histogram_quantile(0.99, ...) 查询要带 rate() 和 by (le)
很多人写PromQL直接用 histogram_quantile(0.99, your_latency_bucket)，结果发现数值跳变剧烈甚至为NaN——这是因为直方图原始数据是累积计数，必须先用 rate() 求单位时间增量，再按 le 标签分组聚合，最后才能量化分位数。
正确写法（以过去5分钟P99为例）：
histogram_quantile(0.99, sum(rate(your_app_request_latency_seconds_bucket[5m])) by (le, endpoint, method))
漏掉 sum(...) by (le, ...) 就会导致不同endpoint的桶混在一起算，结果完全不可信；不套 rate() 则会把历史累计值当瞬时值处理，尤其在服务重启后会出现归零再暴涨的假象。
- 如果只关心某个接口，务必加
endpoint=~"/predict"这类过滤，不然P99会被健康检查等低延迟请求拉低 - 不要用
increase()替代rate()：在 scrape 间隔抖动或中断时，increase()容易误增 - Grafana里展示时，建议同时画出P99 + P95 + 平均值三条线，毛刺是否集中在尾部一目了然
GPU推理服务必须用CUDA Event同步，time.time() 会严重低估延迟
大模型API跑在GPU上时，time.time() 测出来的“延迟”其实是CPU发起调用到函数返回的时间，GPU还在后台跑。真实P99可能比它高3–5倍——尤其在batch size小、显存带宽饱和时，这个误差会直接让你的SLA承诺失效。
正确做法是用PyTorch/CUDA原生事件同步：
start_event = torch.cuda.Event(enable_timing=True)<br>end_event = torch.cuda.Event(enable_timing=True)<br>start_event.record()<br>output = model(input_tensor)<br>end_event.record()<br>torch.cuda.synchronize() # 等GPU真做完<br>latency_ms = start_event.elapsed_time(end_event)
这段代码拿到的才是模型前向传播的真实耗时，后续再喂给Prometheus的 Histogram 才有意义。
- 别在每次推理前都新建Event对象：创建开销不小，应复用实例
- 如果用了
torch.compile()或TensorRT，首次运行会有编译延迟，P99统计必须跨足够长窗口（至少10分钟）才能稳定 - 异步API（如Streaming响应）不能只测首token延迟，P99应定义为“完整响应收完”的时间，否则会掩盖下游网络瓶颈
线上P99突增时，优先查调度延迟和队列积压，不是模型本身
很多团队一看到P99飙升就去优化模型或换硬件，结果改完发现没用——因为真凶是Linux内核的调度延迟。当机器负载高、运行队列长度（procs_running）持续大于CPU核心数×2时，任务排队等待CPU的时间就会进入毫秒级，这部分延迟会计入你的P99，但模型代码里根本看不到。
快速验证方法：
- 查
/proc/loadavg第一个数是否远超CPU核心数 - 用
pidstat -w 1观察服务进程的%wchan（等待内核态时间占比），超过10%就要警惕 - Prometheus里拉
node_sched_delay_sec（需启用kernel exporter）或process_start_time_seconds波动，看是否与P99尖峰严格同步
这类问题没法靠改Python代码解决，得调系统参数（如 vm.swappiness）、限制进程数、或切到cgroups v2隔离资源。最有效的临时手段，其实是降低worker并发数——让每个请求抢到CPU的概率变高，反而整体P99下降。
大量免费API接口：立即使用
涵盖生活服务API、金融科技API、企业工商API、等相关的API接口服务。免费API接口可安全、合规地连接上下游，为数据API应用能力赋能！
