Grid Guard（电网防护）
Grid Guard亦作、亦称：电网防护
概述
Empromptu AI 推出的 GPU 功率波动预测、平滑与定价系统，解决 AI 数据中心电力基础设施新瓶颈。
工作原理
Empromptu AI 推出的 GPU 功率波动预测、平滑与定价系统，解决 AI 数据中心电力基础设施新瓶颈。
应用场景
Grid Guard常见于：产品化落地、A/B 实验、数据飞轮与跨团队协作。实际选型需结合业务指标、数据规模与部署约束评估适用性。
局限与误区
围绕 Grid Guard 的口语化说法（见「常见误解」）常过度简化。效果依赖数据质量、任务匹配与系统整体设计；生产环境应配合评测、监控与人工复核。
背景与发展
Grid Guard随 AI 研究与工程实践持续演进，定义边界与最佳实践仍在更新。建议结合原始论文、官方文档与本站延伸阅读建立准确认知。
相关术语
和本术语关联紧密的其他词条，便于串联理解。
🎯 考点练习
含该术语的高频面试题，含标准答案与追问。
- 初级系统设计查看详解 →
如何处理系统设计面试题？
先澄清功能与非功能需求并估算 QPS/存储；再给高层架构；然后深入关键路径（数据模型、缓存、一致性）；全程沟通 trade-off 与扩展方案。
- 高级系统设计查看详解 →
生产 RAG 系统中如何选择 Reranker 架构？延迟-成本-精度三角如何权衡？
Reranker 选型不是「精度越高越好」，而是在延迟-成本-精度三角里按 SLA 约束做分级决策：Cross-Encoder 精度高但延迟 50-200ms、成本约 $0.0002-0.002/query；ColBERT 延迟低（10-30ms）但要专用索引（10-50× bi-encoder）；LLM-as-Reranker 零样本强但延迟 1-5s、成本 $0.05-0.15/query。三层决策框架：简单 FAQ 跳过 rerank、中等复杂度用 cross-encoder、高难度推理用 LLM-as-Reranker + 级联过滤。
- 高级系统设计查看详解 →
当 RAG 系统从单次检索演进为 Agentic 多轮循环时，如何设计控制循环避免不收敛、评估器漂移和上下文爆炸？
Agentic RAG 把固定流水线升级为多轮「检索-评估-反思」循环，但生产环境必须解决三类失败模式：循环不收敛（无限重试）、评估器漂移（误判质量）、上下文爆炸（Token 超限）。工程治理方案包括：最大轮数+提前终止条件、评估器校准+滑动窗口阈值、分层上下文预算（摘要/片段/历史三级压缩）。
- 高级系统设计查看详解 →
P/D 分离架构的调度策略设计：在 Prefill 算力利用率 >80%、Decode 内存利用率 <70%、网络带宽 100GB/s 约束下如何最小化 TPOT？何时应回退到 co-located 架构？
vLLM 在 GLM-5.2 B300 NVFP4 部署中通过 PD 分离实现 TPOT 从 40ms 降至 17ms（vllm.ai 2026-07-23 官方博客）。本题给定三条硬约束（Prefill 算力利用率 >80%、Decode 内存利用率 <70%、网络带宽 100GB/s），要求候选人设计调度策略最小化 TPOT，并判断何时应回退到 co-located 架构。核心考察点：(1) KV Cache 传输延迟与计算延迟的联合建模；(2) 速率匹配的调度实现（请求级路由、动态伸缩、KV 感知路由）；(3) 约束条件的物理含义与冲突检测；(4) co-located 回退的判据（流量规模、互连带宽、序列长度分布、运维成熟度）。
延伸阅读
从知识库精选 1 篇文章，帮助深入理解该术语。