利益关系披露：DragonAI 运营 AI 产品经理课程。本文与配套 JSON 是第一方发布决策记录框架，不是统一运维标准、合规结论、真实灰度实验或效果保证；不包含真实用户、生产流量、告警、事故或业务结果。具体门槛必须由产品、工程、数据、安全、隐私、法务、运维和领域责任人按用途批准。
30 秒答案：灰度不是“先开 5%”，而是可撤销的生产证据实验
AI 产品经理首先要冻结本次到底改了什么。如果模型、提示、检索库、工具权限和界面同时变化，却只写“新模型版本”，出现改善或退化时就无法归因，也无法完整回滚。把这些组件组成发布单元，并给旧单元保留可执行版本。
可下载 AI 产品灰度发布证据卡 JSON，把准入、分群、信号、阶段决定、回滚和复盘连接起来。
| 阶段 | 产品经理要冻结的内容 | 不充分的证据 |
|---|---|---|
| 发布单元 | 模型、提示、检索、工具、权限、策略、数据、界面 | “代码已部署” |
| 准入 | 离线评测、严重失败、安全隐私、容量、可观测与接管 | Demo 可运行 |
| 分群 | 人群、任务、环境、排除范围、稳定对照 | 任意流量百分比 |
| 监控 | 任务、质量、安全、接管、运行、成本和分群信号 | 只看平均延迟 |
| 决定 | 观察窗、最低证据、放量、暂停、回滚、停止 | 暂时没有告警 |
| 恢复 | 回退单元、进行中任务、通知、数据修复、责任人 | 只切回模型 |
一、冻结整个发布单元和声明范围
记录发布 ID、旧版本和候选版本，并分别固定模型与端点、系统提示、检索索引与嵌入版本、工具、权限、内容安全策略、特征开关、输入输出契约、数据迁移、缓存和用户界面。若只能回退其中一部分，就要验证混合版本是否兼容。
同时写清允许用户、任务、地区、设备、语言和数据类别，以及明确排除的高影响场景。灰度只支持这个范围内的决定，不能外推到未覆盖人群或任务。
二、先过准入门槛，再接触生产用户
准入至少包括：固定评测集与严重失败为零或在批准阈值内；安全、隐私、权限和数据路径复核；负载、延迟、容量、限额与单位任务成本；日志、追踪、告警和反馈入口可用；人工接管、停止开关和旧版本回退经过演练。没有可观测性或可执行回滚，就不具备灰度条件。
Google Cloud 的 AI/ML 可靠性指导建议受控部署、将小部分流量导向新版本、持续监测，并在告警触发或性能门槛未达时自动回滚。这里的关键不是某个云产品，而是先把“可监测”和“可撤销”做成进入生产的硬条件。
三、分群要按风险与任务，而不只是随机百分比
可按内部用户、白名单、低风险任务、区域、语言或影子流量逐步开放，并保留旧版本对照。分配规则必须稳定，避免同一用户或连续任务在版本间随机跳转；同时记录排除规则，防止儿童、敏感数据、高影响决定或不可恢复操作误入早期灰度。
如果任务低频，5% 可能几天都没有关键事件；如果任务高风险，1% 也可能过大。阶段大小应由最坏影响、恢复能力、事件频率、统计计划和人工支持容量决定。
四、把 AI 原生信号与传统运行信号放在一起
传统信号包括请求量、错误率、超时、延迟分位数、吞吐、资源和依赖健康。AI 原生信号还应覆盖任务完成、依据或忠实度、拒绝与澄清、严重失败、安全风险、工具调用正确性、人工接管、纠错恢复、用户反馈、每个成功任务成本，以及按任务、人群和输入切片的差异。
Google 的生产 ML 监控指导强调按代码、模型和数据版本追踪性能，并监控数据与特征、训练—服务偏差、实时质量和延迟。平均值不能替代切片；没有标签时也要明确代理指标、人工抽检时延和未知范围。
五、预先写放量、暂停、回滚与停止规则
每个阶段记录起止时间、目标范围、最低事件数或观察窗、必须通过的硬门槛、允许波动和决定责任人。结果只能是 expand、hold、rollback、stop 或 complete_limited_release。不要在看到结果后临时更换主指标或缩短观察窗。
放量需要所有硬门槛通过且数据完整；暂停用于证据不足或可调查异常；回滚用于达到预设故障条件；停止表示当前方案不应继续；受限完成表示只批准当前范围，不等于全量。
六、回滚要覆盖用户、任务和数据恢复
回滚计划要指定稳定发布单元、切换方式、最大恢复时间、进行中会话或工具任务如何处理、用户如何告知、哪些输出需要撤回或更正、数据是否需要修复、人工队列如何扩容，以及谁有权限执行。停止新请求不等于已恢复受影响用户。
Microsoft 的 AI 工作负载运维指导要求覆盖整个 AI 工作负载的监控，并把安全部署、生产测试、快速纠错和跨团队协作纳入运维机制。产品决定因此要连接技术恢复和用户补救，而不是只记录一次流量切换。
七、保存逐阶段证据和发布后责任
每次决定绑定发布单元哈希、分配规则、时间窗、原始仪表盘或查询、数据完整性、逐切片结果、严重事件、人工复核、决定、批准人和后续触发器。事故、回滚和用户申诉要进入复盘，并把新失败样例补回评测集。
NIST AI RMF 把生产行为监测、用户输入、申诉与覆盖、停用、事故响应、恢复和变更管理列入发布后风险管理。灰度结束不是监控结束；模型、数据、提示、检索、工具、供应商或用户分布发生实质变化时，应重新进入评测与受限发布。
使用边界
本文不替代 SRE 方案、威胁建模、数据保护影响评估、合规审查、统计设计或事故响应手册。配套 JSON 默认值不代表任何检查已经完成；没有真实运行和责任人签署时，状态必须保持 not_started 或 unknown，不得写成已安全上线。