两者的根本差别
两种类型都在解决耗时分布问题，差别在于分位在哪里计算：直方图把原始分布以桶的形式带到服务端，在查询时按需算出分位；摘要类型在客户端算好分位再上报，服务端拿到的已经是结果值。
为什么摘要不能聚合
分位数不是可加量：两个实例各自的 P99 求平均，得不到整体 P99。直方图保留的是可相加的桶计数，因此能跨实例与跨分区合并；摘要上报的是算完的结果，合并时只能做没有意义的平均，这是选择类型时最关键的一条。
基本信息
| 分位位置 | 直方图在查询时计算，摘要在采集时计算 |
|---|---|
| 跨实例聚合 | 直方图支持，摘要不支持 |
| 序列构成 | 直方图按桶生成，摘要按分位标签生成 |
| 精度 | 直方图受桶边界影响，摘要在其窗口内较精确 |
典型使用场景
- 微服务延迟看板：跨多个实例看整体 P95，只有直方图能给出正确结果
- 按接口下钻：直方图可按任意标签重新聚合分位
- 客户端开销敏感：摘要把计算放在客户端，可减少服务端负担
- 数据结构简单：摘要产生的序列数由分位数量决定，易于预估
- 需要超阈值比例：直方图可用桶相减直接算出比例
取舍对照
| 维度 | Histogram | Summary |
|---|---|---|
| 分位计算位置 | 查询时，由表达式计算 | 采集时，由客户端计算 |
| 跨实例聚合 | 支持，按桶求和后再算 | 不支持，分位不能平均 |
| 精度来源 | 受桶边界影响 | 滑动窗口内较精确 |
| 序列成本 | 由桶数量决定 | 由分位数量决定 |
场景推荐
| 场景 | 推荐 | 原因 |
|---|---|---|
| 多实例服务整体分位 | Histogram | 需要跨实例合并 |
| 单机自算且不聚合 | Summary | 省掉服务端计算 |
| 要与 SLO 阈值比对 | Histogram | 可在阈值附近加密桶 |
直方图查询与平均值
直方图查询与平均值
# P90 与 P99：先按 le 聚合桶，再计算分位
histogram_quantile(0.90, sum by (le) (rate(http_request_duration_seconds_bucket[5m])))
histogram_quantile(0.99, sum by (le) (rate(http_request_duration_seconds_bucket[5m])))
# 平均耗时等于总和除以计数
sum(rate(http_request_duration_seconds_sum[5m]))
/ sum(rate(http_request_duration_seconds_count[5m]))桶边界要覆盖业务关注点，例如 100 毫秒、300 毫秒、1 秒附近：边界过粗会让分位误差集中在最需要判断的区间。
对多个实例的摘要分位做平均或求和没有数学意义：需要聚合分位时只能改用直方图，事后无法补救。