Drift-Detection on PlumePHP

主从数据一致性校验与修复：chunk 对账、pt-table-checksum 与增量修复实战

Sat, 26 Sep 2026 00:00:00 +0800

“主从复制是自动的，所以主从数据一定一致”——这是运维里最大的错觉之一。binlog 丢失、复制中断、人为误操作、半同步降级、甚至程序 BUG，都会让从库与主库悄然分道扬镳。更隐蔽的是：复制通常不会报错，不一致像蛀虫一样潜伏，直到某个深夜的查询突然返回错误数据。数据一致性校验与修复，就是给这套"自动复制"装上体检与治疗机制：周期性地对主从做逐块校验，发现差异后精确修复。本指南深度讲解一致性校验的原理（chunk 划分、checksum、校验时机）、工具实战（pt-table-checksum / pt-table-sync）、增量修复与对账平台，以及主从以外的通用一致性验证方法。

生成式 AI 可观测性：LLM 调用追踪、Token 成本监控、质量与安全评估

Sat, 26 Sep 2026 00:00:00 +0800

传统应用的可观测性（Metrics/Logs/Traces）在 LLM 应用面前依然成立，但要新增三个 LLM 特有的观测维度：Token 与成本（每次调用消耗多少、花了多少钱）、模型质量（回答对不对、是否幻觉、是否符合预期）、模型安全（提示注入、有害内容、PII 泄露）。大模型是"黑盒"，它的行为是概率性的——同一提示词每次输出都不同，这决定了 GenAI 可观测性不能只看"延迟和错误码"，还要看语义层面的质量与安全。本指南系统构建 GenAI 应用可观测体系：LLM 调用追踪、OTel GenAI 语义约定、成本用量监控、质量评估（LLM-as-Judge）、RAG 评估、安全监控、漂移检测与反馈回路，最后给出完整架构。