模型API限流与排队：并发控制、超时预算和服务降级

适用目标

避免突发长请求挤占全部显存并让普通请求发生级联超时。本文面向已经能够使用Linux命令行、但需要把环境做成可重复交付的工程人员。操作前先备份现有配置，并记录硬件型号、系统内核和当前软件版本。

准备工作

准备请求长度分布、优先级、GPU容量曲线、客户端超时和服务级别目标。建议建立独立测试目录和变更记录，所有命令、镜像标签、配置文件与测试结果都写入同一份实施日志。生产机器不要边排错边无记录升级。

实施步骤

按输入与最大输出估算请求成本。

设置全局和租户并发。

长短请求分队列。

建立排队上限。

传播取消信号。

配置重试退避。

达到阈值时降级模型或拒绝请求。每完成一步立即保存输出，出现异常时只回退最近一项变更。

常见误区

只按QPS限流会忽略token成本。

无上限队列会把过载变成长时间等待。

客户端重试可能放大拥塞。如果现象与预期不符，应缩小到最小复现环境，不要直接在完整业务栈中猜测原因。

验证与验收

压力超过容量时服务仍可控，关键请求满足延迟目标，取消请求及时释放资源，限流和降级事件可在监控中追踪。除一次性功能验证外，至少重复三次并进行重启复测。性能类任务必须固定输入、输出和并发口径，同时记录P50、P95和失败率。

交付清单

交付物应包含版本清单、配置文件、启动与停止命令、监控入口、已知限制、故障处理步骤和回滚方法。只有其他工程师能够依据文档重新完成部署，教程才算真正可执行。

可复现实施记录

本节把“模型API限流与排队：并发控制、超时预算和服务降级”落到可以复核的操作边界。测试对象是模型 API 限流与排队。实施前先冻结硬件清单、系统镜像、依赖版本、模型版本和业务参数，并给每次验证分配独立记录编号。按租户设置并发、每分钟请求和 Token 配额，入口限流与推理队列分开；请求携带可追踪 ID，并为交互和批处理设置不同优先级。

验收数据怎么记录

不要只记录一次成功截图。冷启动和预热后各运行三轮，表格至少包含测试时间、并发数、输入长度、输出长度、首 Token 延迟、P50/P95 总延迟、吞吐、CPU、内存、GPU 显存、GPU 利用率、错误码与日志位置。阶梯加压观察排队时间、拒绝率和 GPU 利用率，确认超限返回明确的 429 与重试建议；客户端断开后队列任务应及时取消。

变更与回退

上线时保留上一版镜像、配置和模型版本，先让少量真实请求进入新实例。若 P95 延迟上升超过 20%、连续错误率超过 1% 或出现无法解释的结果偏差，立即停止扩容新版本并切回旧实例。回退后仍需保存失败现场，不能用重启覆盖日志。文中的参数是复现起点，最终阈值应由实际业务请求和硬件测量结果确定。