# 一条 Monte Carlo 命令，可能悄悄删光客户的告警

> 每次 apply 都会替换整个命名空间里的监控，所以每个客户都要独立命名空间；业务规则仍得用 SQL 自己写。

原文: https://fdetimes.net/zh/tools/monte-carlo-monitors-for-fdes/

使用 Monte Carlo 时，最危险的错误不是 SQL 写得不好，而是 `apply` 命令。根据监控即代码（monitors as code）文档，每次 apply 都会替换一个命名空间（namespace）里的全部监控。从客户 A 的代码仓库 apply 到客户 B 的命名空间，B 的告警就会悄无声息地消失。

对前线部署工程师（FDE）来说，这个运维细节比任何产品介绍幻灯片都重要。你驻场的任务是让客户的数据值得信任，然后交付一套在你离开后依然能正常运转的系统。

如果客户已经在用 Monte Carlo，或者你受托为他们搭建，第一件事是分清哪些工作工具会自动完成，哪些需要你自己写。

## 哪些自动运行，哪些需要自己写？

表监控是内置的一组监控，用来发现数据在哪里中断或停止流动。文档称，对大多数集成而言，表监控立即生效，无需用户配置。到新客户处的第一周，你就已经有了一张基础安全网：某张表一旦停止更新，就会有人知道。

但表监控对客户的业务一无所知。它不知道订单不可能在下单之前就送达，也不知道数据仓库里的收入必须与支付系统对得上。

这类规则应该写进验证监控。根据文档，你可以选择模板，也可以自己写 SQL；这类监控适合行级检查、特定业务逻辑，或跨多个数据源比对指标。

Monte Carlo 自己的博客也把 SQL Rules 描述为针对特定场景添加自定义监控的方式，用来补充自动异常检测。简单说：自动化部分负责捕捉技术故障，你写的部分负责捕捉只有懂业务的人才能发现的错误。

**要点:** 自动监控能告诉你管道停了；只有你写的规则才知道数据在业务上什么时候出了错。

## 为一家配送公司写一条规则

假设客户是一家配送公司，有一张 `orders` 表。通过客户调研，你了解到运营团队视为理所当然的三条规则：送达时间不能早于下单时间；已送达的订单必须有司机 ID；数据仓库中的每日订单总额必须与支付系统一致。

第一条规则可以写成一条 SQL 查询，直接返回违规的行：

```sql
SELECT order_id, created_at, delivered_at
FROM orders
WHERE delivered_at < created_at
  AND created_at >= CURRENT_DATE - 1
```

这样写，告警触发时，值班工程师打开就能准确看到哪些订单有问题，不用猜。

第三条规则是跨数据源的指标比对。假设支付数据已经加载到同一个数据仓库的 `payments` 表中，大致可以这样写，只返回两边不一致的日期：

```sql
SELECT o.day, o.order_total, p.payment_total
FROM (
  SELECT DATE(created_at) AS day, SUM(amount) AS order_total
  FROM orders
  WHERE created_at >= CURRENT_DATE - 7
  GROUP BY 1
) o
JOIN (
  SELECT DATE(paid_at) AS day, SUM(amount) AS payment_total
  FROM payments
  WHERE paid_at >= CURRENT_DATE - 7
  GROUP BY 1
) p ON o.day = p.day
WHERE o.order_total <> p.payment_total
```

两条查询都刻意限定了时间窗口：第一条只看昨天以来的订单，第二条比对最近七天，便于看出是哪一天出现了偏差。原因在于，MotherDuck 的集成文档指出，查询复杂度和结果集大小会影响监控性能。

每次运行都扫描全部订单历史的规则会很慢，还会消耗客户的资源，所以要限定范围，只返回处理事故所需的列。

MotherDuck 描述的工作流程，也正是在客户现场应有的工作顺序：先接入数据源，再为表、数据是否按时更新或需要跟踪的指标创建自定义 SQL 监控。

## 客户的规则应该放在 Git 里

在 UI 中手动创建规则很快，但不便交接。Monte Carlo 支持用 YAML 把监控定义为代码，CLI 读取 YAML 文件，把声明的状态同步到 Monte Carlo。这样，每个客户的规则都有版本、有 pull request，上线前有人评审。

下面的示例只用来说明代码仓库可以怎样组织；具体字段名和命令语法，使用前请对照监控即代码文档核实：

```yaml
# monitors/delivery-co/orders.yaml
namespace: delivery-co-orders
monitors:
  - name: delivered_before_created
    type: validation
    sql: |
      SELECT order_id, created_at, delivered_at
      FROM orders
      WHERE delivered_at < created_at
        AND created_at >= CURRENT_DATE - 1
  - name: daily_revenue_matches_payments
    type: validation
    sql: |
      -- 上文的跨数据源查询
```

开头提到的 `apply` 命令在这里就变得关键。由于每次 apply 都会替换命名空间里的全部监控，文档建议为每个团队或每条管道单独设置命名空间。在上面的示例中，命名空间同时带上了客户名和管道名，支付团队的文件就永远不会覆盖订单团队的规则。

文档还规定，跳过确认步骤的 `--auto-yes` 参数只应在 CI 环境中使用。合理的约定是：pull request 通过审批后由 CI 执行 apply，而在个人电脑上任何人都不跳过确认。命名空间的命名规范要在第一天定好，赶在写第二条规则之前。

## 先学什么，简历上写什么

最值得学的不是 Monte Carlo 的界面，而是把客户一句“已送达的订单必须有司机”转化为一条可测试、运行成本低、易读的 SQL 检查的能力。

这项能力可以迁移到任何数据质量工具上。而随着 Monte Carlo（现已使用 montecarlo.ai 域名）把自己定位为监控、排查和改进 AI 智能体及其底层数据的工具，这项能力的价值还在上升。

阅读 FDE 岗位描述时，留意 data quality、observability、monitors as code 或 CI/CD for data 这类关键词。简历上不要只写“用过 Monte Carlo”，而要写清楚你把客户的多少条业务规则编写成了在 Git 中版本化管理的监控，以及你如何组织命名空间，让多个团队协作而互不干扰。

自动告警告诉你管道还在运行。你留在代码仓库里的规则，才能在你离开项目很久之后，继续告诉客户团队数据依然正确。

**本周动手试试:**

- 挑一张客户的重要数据表，写下三条只有这个行业的人才知道的业务规则，再把每条都改写成返回违规行的 SQL 查询。
- 画出监控代码仓库的结构草图：每个客户或每条管道一个命名空间，--auto-yes 只在 CI 中使用 apply，在个人电脑上始终手动确认。
- 为每条 SQL 检查加上只扫描最近数据的条件，并在把它变成监控之前估算结果集大小。

## 信源

- [Meet Bayes, Monte Carlo's AI Teammate For Building Agent Trust](https://montecarlo.ai/platform)

- [Monitors](https://docs.getmontecarlo.com/docs/monitors-overview)

- [10 Quick Tips for Getting Started with Monte Carlo](https://montecarlo.ai/blog-10-quick-tips-for-getting-started-with-monte-carlo)

- [Monitors as Code](https://docs.getmontecarlo.com/docs/monitors-as-code)

- [Monte Carlo](https://motherduck.com/docs/integrations/data-quality/monte-carlo/)
