一句话定义：SLA（Service Level Agreement，服务等级协议）是对客户的外部承诺；SLO（Service Level Objective，服务等级目标）是团队内部给自己定的目标；错误预算（error budget）就是 1 减去 SLO 之后剩下的「允许出错额度」。
打个比方。外卖平台承诺 30 分钟送达，超时赔券——这是 SLA，写进条款、必须兑现。厨房内部把目标定在 25 分钟出餐——这是 SLO，多出的 5 分钟是缓冲。一个月允许 20 单超时，这 20 单就是错误预算：没用完，可以放心上新品；用完了，就得先停下来修流程。
| 概念 | 面向谁 | 性质 | 超了会怎样 |
|---|---|---|---|
| SLA | 客户 | 对外承诺 | 赔付、流失、法务 |
| SLO | 团队 | 内部目标 | 触发告警、冻结上线 |
| 错误预算 | 团队 | 可花掉的额度 | 决定「继续迭代还是先修稳定」 |
【AI 产品里的 99.9% 说了什么】
多数 AI 产品的「99.9% 可用」，承诺的是「请求在约定时间内返回了一个响应」，而不是「答案是对的」。模型可以非常流畅地答错——这叫软失败：监控面板全绿，用户已经走了。所以 AI 产品的 SLO 通常要拆成两层：一层是系统可用性（延迟、报错率），可以按请求统计；一层是输出质量（准确率、拒答率、有害内容拦截率），往往要靠人工抽检或离线评测，周期长得多。
【为什么不该由模型团队单方面定】
一次体验失败，可能是检索没召回、提示词被改、上游模型供应商抖动、GPU 排队、前端超时设置太短，甚至用户输入本身超纲。模型团队只握着其中一环。它单独拍一个 99.9%，等于替整条链路签了字，出事时却既没有权限也没有资源去修。更合理的做法是把 SLO 当成一份跨团队合同：产品定「什么算失败」，工程定「怎么测」，模型团队说清「能力边界在哪」，数字一起定。对外 SLA 还要再留一层缓冲，因为它背后是赔付条款。
【对从业者和普通人的意义】
从业者：先定义「失败」，再谈比率。说不清失败定义的 99.9%，只是安慰剂。错误预算不是免罪金牌，而是决策工具——预算充足就快跑，耗尽就冻结上线、转向稳定性。
普通人：看到「99.9% 可用」，可以追问一句——这 0.1% 里，包不包括「答错了」？
各家的统计口径与赔付规则差异很大，具体以官方页面为准。