运维实习一年悟：数据创业不靠算法，靠这三把钥匙

　　去年过年那晚，服务器崩在除夕下午四点二十三——不是因为流量，是运维脚本里有个“rm -rf /tmp/”写成了“rm -rf /”，路径变量漏了前缀，我手抖没核对，回车就跑。当时屋里就仨人：后端蹲在工位啃冷包子，设计在会议室改第十七版埋点图，老板叼着半截没点的烟站在白板前，上面还留着上会写的“数据闭环×增长飞轮”，字歪得像醉汉写的。

　　我原以为那是算法的事儿——反正后台日志说“模型预测偏差超标”，需求文档也写着“用LSTM补全用户行为漏斗”，听上去多高级啊。结果呢？查了一宿，发现漏斗根本没数据可漏：前端埋点 SDK 每次初始化都卡在 loading 状态，因为 CDN 域名被测试环境配错了；而那个 CDN 域名，是设计上周五下班前在 GitLab 上直接 push 的，没走审批，也没人 review——就为赶在年假前“让看板动起来”。动是动了，动的是 404 错误率曲线，蹭蹭窜到 92%。

　　说白了，数据创业不靠算法，靠这三把钥匙：第一把，是敢把生产库密码当厕所纸扔进碎纸机；第二把，是听见“先上线再灰度”就本能摸手机截图留证；第三把，是每次看到 PR 标题带“紧急修复”四个字，手指先点开 commit diff 而不是 approve 按钮。我实习这一年，哪次翻车不是因为算法跑歪了？全是钥匙锈住了、丢半截、或者被人拿去撬门锁——比如上个月，算法同学求我加个实时特征管道，我吭哧俩小时搭好 Kafka 消费组，结果他发来 SQL 语句里时间字段写成 `event_time+8h`，硬生生把凌晨三点的下单行为，算进了第二天早上的用户留存……你说这怪谁？怪他不懂时区？怪我没拦？还是怪我们居然真信了“业务方自己校验逻辑”这句话？

文章配图，仅供参考

　　窗外天黑了，路灯刚亮，一盏一盏，像服务器监控面板上刚变红的节点灯。测试群一直在响，有人@全员问“UAT 环境还能不能登”，没人回。外卖到了，塑料袋搁在茶水间门口，汤从盒底渗出来，流到地砖缝里，没人拿。我叼着烟，站门口，看对面楼陆续灭灯——我们这边还亮着，像根没断电的残烛。

　　火大不是因为加班。是上周四，后端提了个 MR，说“把老版清洗脚本替换成新 PySpark 流程”，理由是“更优雅、可扩展、适配未来三年业务增长”。我看了眼提交记录，发现他删了原先脚本里一行注释：“# 此处强制 sleep(0.3)，因 Oracle 12c 驱动在并发连接 >67 时偶发死锁——已验证 57 次”。他就删了，连同那一行 sleep。结果上线后，下游 BI 报表生成时间从 2 分钟跳到 47 分钟，DBA 在深夜三点打电话吼我：“你们是不是动了连接池？” 我没吱声，挂了电话打开 Slack，看见设计刚发消息：“老板说下周要演示‘智能归因’，能不能今晚先出个 demo？” 后端回了个表情包：????。我就点了根烟，在工位上把旧脚本那行 sleep 手动加回去，重新打了 tag——没推 Git，本地 build，手动 scp 到生产机。这事我没报，也没留痕，就跟没发生过一样。

　　其实优胜劣汰这事，根本不用数据验证。你只要活过三个需求周期，就看得见谁还在写 bash while 循环重试，谁已经学会在 CI 脚本里嵌一段 curl -sSfL https://xxx.com/health | grep -q "ok"；谁改完配置顺手 run 一遍 ansible-lint，谁把 yaml 缩进调成 4 空格只为看着“舒服”。我见过最狠的淘汰不是离职——是某天你发现，上次部署手册还是你写的，但这次连发布 checklist 都没人抄你那份了。新版的 checklist 是后端牵头写的，加了“检查 Prometheus metrics 是否持续上报”这一条，但没写“检查 crontab 是否仍含 #backup-legacy-shit”——他们干脆忘了那台跑备份的老机器还活着。

　　有次午饭，听两个老运维聊上个项目：数据平台从 Hadoop 迁 Flink，迁了半年，最终下线那天，大家凑钱买了两箱啤酒，坐机房地板上喝。喝到一半，运维主管突然站起来说：“停一下。” 然后掏出手机，点开一个压根没人维护的内部页面，叫“灾备链路心跳看板”，上面显示最后一条上报时间是 2022 年 8 月 14 日。他晃着手机问：“还有谁记得这玩意儿怎么重启？” 满屋静了三秒，保洁阿姨路过门口，拎着拖把看了我们一眼，摇头走了。后来才知道，那套链路三个月前就被悄悄切掉了，但没人关监控告警，也没人更新文档。只是…它没报错，所以没人管。就像很多事，不是崩了才叫失败，是烂在那里，连腐烂声都没人听见。

　　我不屑说“技术选型决定成败”。真正咬人的，是那个凌晨两点把你叫醒的报警电话，来电人语气平静地说：“上游同步中断七小时了，但指标面板一直绿着——因为健康检查只 ping 了 IP，没 check 数据新鲜度。” 你看，算法再牛，也猜不出人家把 check 写成了“curl -I http://xxx/health && echo ok”，压根不 parse 返回体。那绿光晃得你心慌，可你骂不出口——因为三年前，是你自己写的这条健康检查脚本。

　　现在我要收拾的，是那个漏掉的路径变量。不是重写脚本，是给所有 deploy.sh 加一层 pre-check：读取目标路径变量后，自动执行 pwd && ls -l $TARGET_DIR，并把输出存入 /var/log/deploy-precheck/ 里，哪怕只是 timestamp + dirname。我不确定它能拦住下次事故，但我认了——钥匙不在算法里，在每次 cd 之后敲的那声 ls。

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!