用途：检测并告警生产 ML 模型中的数据漂移与概念漂移，适用于模型性能无故下降、新数据分布偏离训练数据、季节性变化、合规监控（如 SR 11-7、EU AI Act）以及多版本模型对比等场景。
主要能力：使用 Evidently AI 生成数据漂移与目标漂移报告；用 PSI、KS 检验、卡方检验等统计方法做逐特征漂移检测；通过预测性能指标（AUC、RMSE、准确率）监控概念漂移；生成可视化 HTML 报告；集成 Slack、PagerDuty、邮件告警；支持 schedule、cron 或 Airflow 定时调度。
必要用法：需准备生产模型近 30-90 天的预测与特征、参考数据集（训练或验证数据）、真实标签（可延迟），可选特征重要性或 SHAP 值、业务阈值、历史漂移报告。安装命令：pip install evidently pandas scikit-learn prometheus-client。建议目录结构 monitoring/{reports,config,alerts}。cron 示例：0 2 * * * cd /path/to/monitoring && /path/to/venv/bin/python scheduler.py >> logs/cron.log 2>&1。
限制与注意：概念漂移依赖真实标签，缺失时需延迟标注流程；参考数据应定期更新，避免陈旧；样本量建议各超 1000 行；季节性可能造成误报，需时间对齐或去季节化；告警阈值宜从保守值（PSI>0.2、KS p<0.01）起步并调优；需单独监控缺失值、异常值与编码错误；聚合指标可能掩盖关键单特征漂移；预测分布突变也应关注。资料未提供具体价格、平台支持范围与效果保证。