本次查询：Shadow Deployment
中文解释：影子部署
常见场景：机器学习模型上线 / 软件服务灰度发布 / AB测试
一句话解释
影子部署就像给新模型装了一个“隐身副本”，它复制线上流量跑一遍自己的逻辑，但结果既不返回给用户，也不影响主服务的正常运行。你可以在旁边观察它的表现，等确认无误后再正式切换流量。
为什么会被关注
模型上线最怕出故障——一个错误的推荐或误判可能影响大量用户体验。影子部署让团队敢于在真实流量下“悄悄”测试新模型，避免直接替换带来的风险。它同时满足合规要求：用户数据被复制但未改变实际服务，便于审计和回滚。
核心逻辑
核心是流量复制与结果隔离。线上网关将请求同时发往主模型和新模型的影子实例，但只将主模型的响应返回给用户。影子模型的输出被单独记录，用于离线对比准确率、延迟、资源消耗等指标。部署环境完全隔离，新模型崩溃也不会影响线上服务。
常见场景
最典型的是推荐系统和广告排序模型升级——将新算法以影子模式运行数天，比较点击率、转化率等关键指标。此外，在风控、NLP服务以及数据库迁移或API版本更替中，影子部署也用于验证兼容性与性能表现，避免回归问题。
容易混淆的点
影子部署与A/B测试不同：A/B测试会将流量随机分桶并让用户感受到不同结果，而影子部署用户无感知。与金丝雀发布也不同：金丝雀是把一小部分真实用户切到新版本，影子部署则始终不对外暴露新版本结果的，属于“暗测试”。