对 LLM API 做不误导的负载测试
生产实践指南：对 LLM API 做不误导的负载测试。内容包含确定性工件、失败边界、上线检查和有来源的适用限制。
生产实践指南：对 LLM API 做不误导的负载测试。内容包含确定性工件、失败边界、上线检查和有来源的适用限制。
先给出决策
对 LLM API 做不误导的负载测试是一份明确的生产契约，而不是孤立的代码改动。切换流量前，先定义成功信号、终止失败状态和回滚条件。下面的工件把证据与假设分开，并让每次尝试都可追溯。
先落实 workload，再用确定性用例证明 traffic，并把 ethics 作为上线门槛，而不是事后补项。
可复用的技术工件
把下表作为评审记录。只有证据来自同一次请求、同一测试窗口或同一配置快照时，该行才算通过。
| 检查点 | 需要保留的证据 | 通过条件 |
|---|---|---|
workload |
prompt/output_distributions,stream_share,tools,schema |
记录 owner、来源、核验日期和已知限制。 |
traffic |
arrival_model,concurrency,warm-up,duration,region |
限制明确，超过限制时默认拒绝。 |
routing |
model_ID,route_version,fallback_and_retry_policy |
记录 owner、来源、核验日期和已知限制。 |
measurement |
eligible_denominator,errors,p50/p95/p99,TTFT_definition |
在线路边界保留并精确比较该值。 |
saturation |
queue,admission_rejects,upstream_429,timeout_phase |
记录能关联到一个逻辑请求和一次具体尝试。 |
ethics |
owned_endpoint_and_approved_capacity;never_test_third_parties |
执行前即时核验身份、作用域与策略。 |
演算示例
示例使用合成数据且结果确定。请换成经过评审的真实工作负载参数；不要把生产密钥或客户提示词放入测试工件。
scenario: steady_mixed
duration: 20m
warmup: 5m
arrival_rate_rps: 2
max_concurrency: 24
requests:
short: 60%
long: 25%
tool: 10%
structured: 5%
thresholds:
error_rate: "< 0.01"
first_output_p95_ms: "< reviewed_target"
report_failures: true
实施流程
- 变更前冻结当前请求、响应、配置和可观测基线。
- 运行一个确定性的正向用例，并保留客户端看到的完整结果。
- 运行配对的负向或上限用例，用证据确认失败行为。
- 用一个逻辑请求 ID 关联全部尝试，记录耗时、终态和用量，但不记录敏感正文。
- 仅在有界流量中放量并设置明确停止条件，不能因为 happy path 通过就直接扩大流量。
- 变更后回读持久状态和公网行为；任何不变量失败时执行预先准备的回滚。
常见失败模式
即使外层 HTTP 请求看起来成功，以下情况也会使结论无效：
- 公布百分位数却不披露负载分布、并发、失败、区域和样本窗口。
- 多层独立重试相乘，把短暂 429 放大成持续过载。
- 客户端取消没有传递到队列和上游，结果已无用时仍占用容量。
- 把提示词、密钥、原始工具参数或提供商正文写入高基数遥测。
Modelflare 边界
Modelflare 可以集中管理 OpenAI 兼容路由、密钥、分组、用量记录和失败处理，但“已配置路由”不等于上游支持所有可选字段。必须用原生协议验证具体模型与渠道。提供商价格以当前价格源为准，显式零值必须保留，最终持久结算才是账务真相。
发布前检查表
- 先回答核心问题，再补充背景。
- 每个请求字段、状态、指标和公式都有唯一 owner。
- 示例只使用合成标识，不包含密钥或客户数据。
- 所有受支持语言保留相同的标题层级、表格、代码、限制和警告。
- 在 T-1 日复核易变 API 契约、模型支持和价格；事实失效时移动发布日期。
- 预约时间前，公共 API、本地化路由和 sitemap 都不能出现该文章。
来源与核验日期
来源核验日期为 2026-08-07。这些来源只建立外部契约或运行原则，不能证明未经测试的提供商路由已支持。