用途：面向 Databricks Lakehouse Monitoring 的数据剖析（Data Profiling）监控，在 Gold 层表上定义表级自定义业务指标，跟踪数据质量、检测漂移并支持业务 KPI 监控；与异常检测（自动新鲜度/完整性检查）互补，可同时使用。
主要能力：支持自定义业务 KPI（如收入、速度）、周期对比漂移（DRIFT 指标）、单表深度剖析与 ML 模型监控（InferenceLog）；提供约 2 小时快速流程：设计（30 分钟，参考 metric-design-guide.md）、配置（30 分钟，运行 scripts/create_monitor.py）、等待初始化（15-20 分钟，异步）、验证（15 分钟，查询 _profile_metrics 与 _drift_metrics 表）。
必要用法与关键规则：SDK 模块须用 databricks.sdk.service.dataquality，而非旧版 catalog；create_monitor() 接收 Monitor 对象（object_type="table"、object_id 为表 UUID、data_profiling_config）；自定义指标须用 DataProfilingCustomMetric 对象而非字典；output_data_type 必须为 T.StructField("output", T.DoubleType()).json() 格式；DERIVED 指标直接引用聚合指标名，不加 {{ }}；DRIFT 指标必须使用窗口模板，如 {{current_df}}.daily_revenue - {{base_df}}.daily_revenue；粒度使用 AggregationGranularity 枚举；输出 schema 使用 UUID（output_schema_id）；删除监控时需同时 DROP 输出表。
适用场景：需要自定义业务 KPI、周期漂移检测、单表深度剖析或 ML 模型监控的 Databricks 数据团队。
限制：API 处于 Public Preview（POST /api/data-quality/v1/monitors）；监控初始化异步，首次刷新需等待 15-20 分钟；资料未提供收费、价格与平台支持范围等信息。