Performance-Metriken

Erkenne sofort, wenn deine Modelle, Tools oder Hooks langsamer werden oder Kosten verursachen, und fange Tail-Latency-Spitzen ab, bevor deine Nutzer sie überhaupt bemerken. Drei dedizierte Seiten verwandeln rohe Laufzeiten in p50, p95 und p99, die du auf einen Blick ablesen kannst. Die Models-Seite: eine Latency-Heatmap, ein Percentile-Band sowie modellspezifische Token-Zahlen, geschätzte Kosten und die Kontextfenster-Auslastung.

​

Lass Durchschnittswerte nicht mehr deine schlechtesten Läufe verbergen

Eine durchschnittliche Latenzangabe klingt beruhigend – und ist gleichzeitig nutzlos: Sie glättet genau jenen einen Aufruf unter fünfzig, der ins Stocken gerät und deinen Bereitschaftsdienst um 2 Uhr nachts weckt. Die Seiten Models, Tools und Hooks machen das nicht mit. Alle drei haben denselben Aufbau, den du nur einmal lernen musst:

• Ein 24-Bin-Sparkline für den Trend auf einen Blick: Wird es schlechter?
• Ein Vitals-Streifen mit p50, p95 und p99 Latenz, damit der typische Lauf und der Ausreißer nebeneinander stehen.
• Eine Latency-Heatmap – 24 Zeitabschnitte gegen Latenz-Buckets –, die zeigt, wann sich die langsamen Aufrufe gehäuft haben.
• Ein Percentile-Band: eine p50-Linie mit schraffierten Bändern für p25–p75 und p10–p90 sowie p99-Punkte, sodass die Streuung sichtbar bleibt, anstatt weggemittelt zu werden.

Ein gemeinsames Hover-Fadenkreuz verknüpft Heatmap und Band zeitlich miteinander, sodass ein Tail-Spike in beiden Ansichten an derselben Stelle erscheint, statt hinter einer einzigen Mittellinie zu verschwinden. Alle drei Seiten findest du im Bereich observe deines Dashboards – gefiltert nach Organisation und einschränkbar nach Datumsbereich, Umgebung, Agent und Session.

​

Models: sieh genau, was jedes Modell dich kostet

Die Models-Seite (oben abgebildet) beantwortet die zwei Fragen, die eine Rechnung immer aufwirft: Welches Modell, und wie viel? Zusätzlich zur gemeinsamen Latenzansicht zeigt sie modellspezifischen Token-Verbrauch, geschätzte Kosten und die Kontextfenster-Auslastung – damit unkontrolliertes Prompt-Wachstum und eine bevorstehende Kompaktierung sichtbar werden, bevor sie dich überraschen. Failproof AI Observability erkennt gängige Modell-IDs automatisch. Falls ein Fenster falsch aussieht oder du ein eigenes privates Modell betreibst, korrigiere es oder füge eines unter Settings bei model context windows hinzu – die Auslastungsanzeigen passen sich entsprechend an.

​

Tools: unterscheide langsam von defekt

Ein Tool-Aufruf kann langsam sein oder stillschweigend fehlschlagen – und du möchtest das in Sekunden wissen, nicht erst nach stundenlangem Log-Wühlen. Die Tools-Seite: dieselbe Heatmap und dasselbe Percentile-Band, ergänzt um eine Erfolgs- und Fehleraufschlüsselung sowie einen Tool-Verteilungsbalken. Neben der gemeinsamen Latenzansicht fügt die Tools-Seite eine Erfolgs- und Fehleraufschlüsselung sowie einen Tool-Verteilungsbalken hinzu, sodass du auf einen Blick siehst, welche Tools du am häufigsten verwendest und welche dein Fehlerbudget auffressen.

​

Hooks: den genauen Hook und Trigger ermitteln

Wenn ein Lifecycle-Hook einen Lauf verlangsamt, kannst du mit der Aussage „Hooks sind langsam” nichts anfangen. Die Hooks-Seite führt dich direkt zu dem einen, der das Problem verursacht. Die Hooks-Seite: Latenz aufgeschlüsselt nach Hook-Name und Trigger-Event. Über derselben Latency-Heatmap und demselben Percentile-Band schlüsselt die Hooks-Seite die Aktivität nach Hook-Name und Trigger-Event auf, sodass du direkt bei dem einen Hook und dem einen Event landest, der Aufmerksamkeit erfordert.

​

Verwandte Seiten

• Event-Stream: der Live-Feed aller Events, farblich kodiert.
• Sessions: Events zu einer Zeile pro Lauf zusammenfassen und den Ausführungsgraphen öffnen.
• Fehlerverfolgung: eine zentrale Triage-Oberfläche für alles, was das Dashboard rot einfärbt.
• Dashboards: Übersichtsansichten über deine gesamte Flotte.