排障复盘：给误报一个「处理预算」，检测组省下了两个人月

上个月我们给业务侧上线一套内容异常检测，第一周就撞上老毛病：模型很「热」，异常件的分高分全捞出来，人工复核队列三天堆了三千多条。业务侧的结论只有一句：「这么多误报我们没法看，先别用了。」

问题的根子不是模型精度——离线评测的精度其实达标——而是我们没有给误报定一个**处理预算**。没有预算，误报会无限膨胀，把复核能力拖垮，最后被砍掉的是整条链路，不是误报本身。

第一步：先区分「业务不可接受的误报」和「技术上可自动消化的误报」

我们拉了两周的复核记录，人工给每一条误报打标：这条「看了就扔」的实际成本是多少？哪些根本不该送到人眼前？

结果大约三成误报属于同一类——命中的是系统自己前天刚记过日志的常规批量操作。这些「有据可查的已知模式」走人工纯属浪费，应该由配置直接消化并留痕。

这一步省的不是模型的钱，是人的钱。模型精度没动，复核入口从三天三千条降到一千出头。

第二步：把「日预算」写死在调度层，而不是靠人每天拍脑袋

我们给复核队列定了一条硬规则：**每天人工最多处理两百条；超出的部分不丢弃、不升级告警吓唬团队，而是降为「观察级」，进一个独立频道的自动判定并行处理。**

关键不是「两百」这个数字，而是「写进配置 + 有过限告警」。超预算那天必须有人看告警、决定是否临时放开；如果没人看，说明预算定错了，或者上游变了。预算一旦进调度层，就必须有告警对象盯着——只配数字不配告警，等于没配。

第三步：观察级通道独立部署，否则 burst 时第二条通道是假的

最初超预算部分的自动判定是复用主检测通道的缓存结果，工程上很省事。直到某天上游批量操作换了套路，缓存整体失效：超预算的那批既没预算走人工、自动判定又拿不到结果，积压堆了两三天，靠手动补队列才清掉。

后来把「超预算自动判定」拆成独立服务：不依赖主通道缓存、有自己的队列和重试上限、burst 时至少有人兜底。拆完之后类似失效事件归零。

预算跑起来之后的数字

- 复核队列长度：从 3200 条/天 → 平均 610 条/天

- 人工复核 SLA（入队到出结论）：46 小时 → 8 小时

- 自动处理占比：22% → 68%

- 预算超限告警：两周触发 1 次，原因是上游批量任务提前 40 分钟，当天下调了 50 条预算而不是硬扛

值班的一句话

精度报告不会告诉你「谁在看这些结果」。预算不是限制模型，是限制人。先把处理能力写死，再看模型能配多高——顺序反了，业务侧只会看到一堆好看的曲线和一句「没法用」。