云原生技术

第一次搭 AI 智能体时，最容易卡在“先选框架还是先接业务系统”。这篇教程用路线图方式拆开最小原型、工具链取舍、示例工作流和部署门禁，帮助你从可跑 Demo 走向可交付版本。

当团队讨论 Agent、大模型和智能体平台时，最容易混淆的是“模型能力”和“任务执行系统”。本文用架构拆解 Agent大语言模型的组成、工作流和限制，帮助你判断哪些场景适合做 Agent，哪些只需要普通 LLM 应用。

当 Agent 原型准备进入项目评审时，团队需要的不再是工具链总览，而是每一步谁签字、看什么证据、哪些权限不能越过。本文提供 Agent智能体搭建步骤清单，适合启动会、评审会和上线前验收使用。

备份任务 Completed 不等于业务可恢复。本文围绕 Velero 恢复演练，把误删恢复、应用级恢复和跨集群恢复拆成不同验收目标，帮助团队发现备份盲区。

可观测数据进后端之前，最容易出问题的是采样口径、字段脱敏和导出失败。本文围绕 OpenTelemetry Collector 管道部署，拆解如何设计可降级的 Telemetry Pipeline。

同样能做准入控制，Kyverno 和 OPA Gatekeeper 的分歧在于谁来写策略、规则是否跨系统复用、例外如何审批。本文用团队协作视角比较两类策略引擎。

当训练任务一直等待、借用资源后又被抢占时，问题通常不在 Kueue 基础对象，而在 ClusterQueue 配额模型。本文用等待原因、借用边界和优先级规则拆解排查路径。

队列长度上涨时，副本数没有跟上；副本扩起来后，任务仍然堆积。本文从事件源、ScaledObject、HPA 时间线和冷启动成本切入，梳理 KEDA 事件驱动扩缩容的验证方法。

STRICT 一开就 503，问题可能是未注入调用方、客户端 TLS 模式、SDS 证书或端口命名。本文围绕 Istio mTLS 排障，把策略、证书和路由层分开验证。

密钥同步成功，只代表 Secret 被写入集群；更关键的是谁能同步、同步哪些路径、应用是否重载、失败是否告警。本文用权限边界和轮换链路拆解 ESO 落地治理。

同一条访问有时通、有时被拒，往往不是单个 NetworkPolicy 能解释。本文围绕 Cilium 网络策略排障，把身份标签、策略选择器、Hubble verdict 和节点路径拆成分支。

浏览器提示证书过期时，真正的问题可能不在 cert-manager。本文围绕 cert-manager 证书自动续期，把资源状态、ACME Challenge、Secret 更新和入口返回证书拆成可复核证据链。

灰度失败时，团队真正要判断的是继续放量、暂停观察、回滚还是切换到人工处理。本文围绕 Argo Rollouts 灰度发布，把指标闸门和回滚证据串成一条决策链。

节点自动扩缩容选错，常见后果不是少省几台机器，而是 Pending 等待、节点碎片和容量策略长期失控。本文把 Karpenter vs Cluster Autoscaler 放到真实平台场景中比较，给出可执行的选型与迁移判断。

镜像扫描和准入控制只能覆盖上线前风险，运行中的异常命令、敏感文件访问和容器逃逸迹象仍需要持续观察。本文从 Falco 运行时安全入手，梳理 Kubernetes 威胁检测与告警落地路径。

多集群环境中，应用分发容易从“多写几份 Application”演变成环境漂移和权限混乱。围绕 Argo CD ApplicationSet，本文拆解生成策略、目录组织、集群标签和变更验证，让 GitOps 分发更可控。

万卡集群算力评审不应只汇报 GPU 数量和预算。本文把规划材料拆成资源池、网络、存储、调度和验收证据，帮助多团队在扩容前对失败信号、责任边界和复盘口径达成一致。

当应用交付链路越来越长，PaaS、IDP、容器平台和云管理平台容易被混用。本文用责任分工矩阵拆清每类平台的边界，帮助团队决定哪些能力放在 PaaS，哪些交给 IDP、容器底座或云资源治理。

大模型平台建设常卡在“先买一套平台还是复用现有系统”。本文按模型生命周期梳理底座能力、上层治理和复用边界，帮助团队判断当前阶段先补训练、推理、注册还是 LLMOps。

GPU集群管理软件选型不能只看控制台功能。本文把五类方案放到同一张矩阵中，帮助团队按任务规模、既有技术栈、集成成本和受控失败 PoC 判断哪类方案更适合当前阶段。