#Prometheus #SLI

👋 Привет! Мы уже собирали метрики с хоста…
А как насчёт мониторинга самого приложения?

Когда FastAPI-сервис работает в проде и доступен пользователям — важно следить за его здоровьем.
В этом нам помогают SLI (Service Level Indicators) — метрики, которые говорят, насколько надёжно и быстро работает наш сервис.

🔍 Что такое SLI?

Service Level Indicators — это количественные показатели, описывающие:

- 📈 Доступность (например, % успешных запросов — Error Rate)
- 🕒 Производительность (например, задержка ответов — Latency)
- ⚡ Нагрузка (RPS — запросы в секунду)

На их основе строят SLO/SLA: что мы обещаем пользователям по стабильности и скорости работы.

📊 Инструментирование FastAPI с Prometheus FastAPI Instrumentator

Собираем метрики сразу из приложения 👇

from prometheus_fastapi_instrumentator import Instrumentator

def setup_metrics(app):
    Instrumentator(
        should_group_status_codes=True,
        should_ignore_untemplated=False,
        excluded_handlers=["/metrics"],
    ).instrument(app).expose(app)

Что получаем на выходе:

- ✅ RPS (запросы/секунду)
- ❌ Error Rate (процент не 2xx ответов)
- 🐢 Latency (p50, p95, p99)
- 🔍 Расчёты по каждому endpoint

Хостим /metrics, собираем метрики в Prometheus, а потом — в Grafana.

👨‍💻 Личный опыт:
Это конфигурация и дашборд моего pet-проекта на микросервисах.
За 5 минут можно увидеть живую картину в Grafana с RPS и ошибками.
Но для production-сценариев стоит:

- 🛑 Следить за аптаймом и ответами критичных роутов
- 🚨 Настроить алерты по SLA

📣 Для алертов используем Alertmanager:

groups:
  - name: fastapi_alerts
    rules:
      - alert: HighErrorRate
        expr: rate(http_server_requests_total{status!~"2.."}[5m]) > 0.05
        for: 2m
        labels:
          severity: warning
        annotations:
          summary: "Высокий уровень ошибок в FastAPI"

💬 Если нужно выложить конфиги дашборда с иллюстрации или настроить алерты для этих сервисов — пишите в комментариях.

#LLM #LLM_agent

👋 Привет!
А вы используете AI в работе с кодом?
Поставьте ➕ если да, ➖ если нет.

Я каждый день работаю с AI — учусь, ускоряю задачи. Но однажды столкнулся с проблемой: когда проект становится большим, просто «скидывать» куски кода в чат уже не работает. Код усложняется, взаимосвязей становится всё больше, и ручное ревью уже не спасает.

🔍 Решение:
Я собрал собственного AI-агента для code-review. Он реально экономит время и находит те ошибки, которые легко пропустить!

---
🚀 Что умеет агент?
- Анализ одного файла:
Находит баги, антипаттерны, предлагает улучшения, выдает вердикт 👍/👎
- Мульти-обзор:
Анализирует сразу несколько файлов, видит архитектурные слабости, даёт рекомендации по проекту.
- Работа с большими файлами:
Сам режет код на чанки (токены), не боится крупных скриптов 📏
- Краткие конспекты:
Быстро формирует 5–7 пунктов по содержанию: что делает, что вызывает вопросы 📝
- Надёжность и удобство:
Работает через OpenAI API, обрабатывает ошибки, поддерживает прокси через .env.
- Простой запуск:

make review FILES="путь/к/файлу1.py путь/к/файлу2.js ..."

Как устроено внутри?

1️⃣ Загрузка конфигурации и валидация доступа
2️⃣ Нарезка больших файлов с помощью tiktoken
3️⃣ Промпты для OpenAI по каждому куску
4️⃣ Сбор и объединение результатов
5️⃣ Лог ошибок и рекомендаций прямо в консоль


👨‍💻 Личный опыт
Агент реально экономит время: находит то, что пропускаю сам, видит архитектурные «дыры», помогает с рефакторингом. Важно: AI — это ассистент, а не замена, но с таким помощником продуктивность растёт заметно! ⚡️

💬 Хотите попробовать?
Ссылка на репозиторий - https://github.com/AndreyChuyan/AI-Code-Reviewer

Пишите мне в личку https://news.1rj.ru/str/Andrey_Chuyan «👀» — помогу с настройкой 👌

В комментарии к этому посту — результат анализа одного из моих проектов этим агентом.

#юмор
Руководитель: А давай внедрим DevOps SRE? На хабре статей почитаешь как, разберешься.
Инженер: ...

#юмор
В этом наша стратегия!