AI 运维学习目标

我觉得现在运维行业最大的误区就是：什么都想学。

你会发现网上到处都是：

• Linux 内核

• MySQL

• Redis

• Kafka

• Kubernetes

• Service Mesh

• Istio

• eBPF

• Go

• Python

• AI

• MCP

• Agent

• GPU

• CUDA

• 大模型

• AIOps

如果全部都按同等重要程度学习，你可能两三年都很难形成自己的竞争力。

结合你目前的目标（Kubernetes、云原生、Python、自动化运维、AIOps，以及未来想往 AI 基础设施方向发展），我反而建议你不要平均分配时间，而是采用 T 型能力模型。

未来3~5年的运维正在发生什么变化

如果看整个行业的发展，我认为大致经历了四个阶段：

第一代：系统运维

Linux + Shell + 网络 + 数据库

主要工作：

• 部署

• 巡检

• 备份

• 故障处理

第二代：DevOps

Docker + Kubernetes + CI/CD + IaC

开始关注：

• 自动化

• 发布效率

• 容器

• 云平台

第三代：SRE

Google 提出的 SRE 理念把运维从“维护系统”转向“保障服务可靠性”，强调通过工程化手段管理稳定性，包括 SLI、SLO、错误预算、自动化和可观测性。

关注的是：

• SLA / SLO / SLI

• Error Budget

• Observability

• 自动恢复

• 混沌工程

第四代：AI Infrastructure

这是最近两三年的变化。

现在很多公司的基础设施岗位开始负责：

• GPU 集群

• 大模型部署

• 推理平台

• AI Gateway

• Ray

• KServe

• vLLM

• GPU Operator

• GPU 调度

• AI Agent 平台

所以你会发现：

未来不会取消传统运维，而是在传统运维之上增加 AI Infrastructure。

什么知识永远不会过时？

我一般把知识分成两类：

第一类：地基（永远保值）

这些知识五年以后仍然重要。

例如：

Linux

一定要深入。

不是会：

ls
cd
ps

而是理解：

• 进程

• 调度

• 文件系统

• 内存

• Socket

• cgroup

• namespace

• systemd

• I/O

网络

至少理解：

• TCP/IP

• HTTP

• HTTPS

• DNS

• LVS

• NAT

• 四层

• 七层

• Overlay Network

• VXLAN

因为 Kubernetes 的很多问题最后都会回到网络。

数据结构与算法（基础）

不用刷几百道 LeetCode。

但是至少理解：

• Hash

• Heap

• Queue

• Tree

以后写 Go Controller 时都会用到。

Python

它已经不只是自动化语言。

以后还是：

• AI

• MCP

• Agent

• 自动化

• 数据处理

的主力语言。

所以它的重要性反而越来越高。

Go

如果未来做：

• Platform Engineer

• Kubernetes

• Operator

Go 会越来越重要。

第二类：业务能力（不断变化）

例如：

今天：

• Docker

明天：

• containerd

后天：

• Wasm

这些都会变化。

所以不要花过多时间研究某一个具体工具。

应该理解：

为什么需要它？

而不是：

它有多少命令。

建议学习时间分配

如果一周有 20 小时 学习时间。

我会这样安排：

注意这里有一点很多人容易反着来：

很多人会花大量时间研究：

• Redis 所有配置

• MySQL 所有参数

• Kafka 全部源码

但实际上，对于大多数云原生/SRE 岗位，更重要的是知道：

• 如何部署

• 如何监控

• 如何扩容

• 如何排障

• 如何备份

• 如何恢复

除非目标是成为数据库专家、中间件专家，否则没必要在这个阶段深入到内核实现。

Linux 内核还要不要学？

要。

但不是一开始就啃源码。

建议分三层。

第一层（必须）：

• 进程

• 内存

• 文件系统

• 网络

• Cgroup

• Namespace

第二层（推荐）：

• epoll

• io_uring

• eBPF

• Scheduler

第三层（以后）：

• Linux Kernel Source

对于 SRE 来说，大约掌握前两层已经能解决绝大多数问题。

数据库、中间件要学到什么程度？

例如 Kafka。

你前几天问我：

Kafka 消息积压怎么办？

其实这就是运维真正需要掌握的。

你应该知道：

• 为什么积压

• 怎么定位

• 怎么扩容

• 怎么恢复

• ISR 是什么

• Consumer Lag 是什么

而不是先去研究 Kafka 的底层协议实现。

MySQL 也是类似。

至少会：

• Explain

• 索引

• 锁

• 主从复制

• Binlog

• 慢查询

就足够支撑大多数 SRE 工作。

SRE 应该重点学什么？

很多人误以为：

SRE = Kubernetes

其实不是。

SRE 更像一种工程方法。

建议重点投入：

可观测性

• Prometheus

• Grafana

• Loki

• OpenTelemetry

• Jaeger

可靠性

• SLA

• SLO

• SLI

• Error Budget

自动化

• GitOps

• ArgoCD

• Terraform

• Ansible

故障处理

• RCA

• Incident

• Oncall

• Runbook

这些能力比“多会几个命令”更有价值。

AI Infrastructure 值得投入吗？

我认为非常值得，而且和方向高度一致。

你之前已经开始关注 NVIDIA 全栈环境、GPU 运维，并且计划把 Kubernetes、自动化运维和 AIOps 结合起来，这是一个很方向。

未来可以逐步学习：

第一阶段：

• CUDA 基本概念

• GPU 架构

• NVIDIA Driver

• Docker GPU

• GPU Operator

第二阶段：

• KServe

• vLLM

• Ray

• Triton Inference Server

第三阶段：

• GPU 调度

• 多机训练

• NCCL

• MIG

• 推理平台

你不需要立刻买昂贵的 GPU 服务器，先在本地和按需租用云 GPU 结合实践，就足以覆盖大部分学习内容。

如果我是你，我未来一年的学习路线会这样安排

第 1 阶段（2 个月）：打牢地基

• Linux 深入

• 网络

• Python

• Docker

• Kubernetes 原理

第 2 阶段（3 个月）：形成工程能力

• Go

• Kubernetes Client

• Prometheus

• Grafana

• OpenTelemetry

完成一个完整项目，例如 Kubernetes 集群巡检平台。

第 3 阶段（3 个月）：SRE 能力

• SLO/SLI

• GitOps

• Terraform

• ArgoCD

• Incident Response

把项目升级为具备自动告警、自动修复和可观测性的运维平台。

第 4 阶段（4 个月）：AI Infrastructure

• GPU Operator

• vLLM

• KServe

• Ray

• AIOps

把平台扩展到支持 GPU 集群和 AI 推理服务。

我想提供一个可能有些反直觉的建议：

不要把目标定成“什么都会的运维工程师”，而是成为“云原生 + AI 基础设施方向的 SRE/平台工程师”。

这个方向既不会丢掉 Linux、网络、数据库等基础能力，又能把 Python、Go、Kubernetes、自动化和 AI 基础设施串成一条完整的技术路线。相比把时间平均分散到所有传统技术栈，这样更容易形成有辨识度的竞争力。