云原生 AI 平台搭建：先把模型服务当普通服务治理
一、别一上来就把 AI 平台神化
很多团队做云原生 AI 平台时，第一反应是 GPU、向量库、推理框架、Agent 编排全都上。结果平台看起来很完整，实际第一个模型服务上线就卡在镜像过大、启动太慢、日志找不到、扩缩容抖动这些普通问题上。我的经验是，AI 平台首先是服务平台，然后才是 AI 平台。
模型服务和普通后端服务不一样，但它们共享很多底层诉求：稳定发布、健康检查、流量治理、权限隔离、指标采集、故障回滚。若这些基础能力没做好，再高级的模型能力也托不住生产环境。基础设施不需要漂亮话，关键是坏的时候能定位、能回滚、能止损。
二、平台链路：从镜像到流量入口
flowchart TD A[模型代码与权重] --> B[构建推理镜像] B --> C[推送镜像仓库] C --> D[Kubernetes Deployment] D --> E[Service 与 Ingress] E --> F[灰度流量] F --> G[指标与日志] G --> H[扩缩容决策]这条链路不复杂，但每一环都要可观测。镜像构建要记录版本、权重校验和、基础镜像；部署要记录参数、资源限制、环境变量；流量入口要能灰度和回滚；指标要覆盖延迟、错误率、GPU 利用率和队列长度。平台价值不是把模型放上去，而是让模型可持续运行。
三、部署配置：先把健康检查写实
下面是一个简化的推理服务部署。重点不是字段多，而是把资源、探针和滚动更新讲清楚。
apiVersion: apps/v1 kind: Deployment metadata: name: text-infer spec: replicas: 2 strategy: type: RollingUpdate rollingUpdate: maxUnavailable: 0 maxSurge: 1 selector: matchLabels: app: text-infer template: metadata: labels: app: text-infer spec: containers: - name: server image: registry.example.com/ai/text-infer:20260701 ports: - containerPort: 8080 resources: requests: cpu: "2" memory: 8Gi limits: cpu: "4" memory: 16Gi readinessProbe: httpGet: path: /ready port: 8080 periodSeconds: 5 failureThreshold: 6 livenessProbe: httpGet: path: /live port: 8080 periodSeconds: 10 failureThreshold: 3AI 服务的 readiness 不能只看进程是否启动。模型权重是否加载完成、依赖后端是否可达、预热是否结束，都应该进入就绪判断。否则 Pod 刚启动就接流量，第一批请求会变成用户侧错误。liveness 也不能太激进，模型加载期间 CPU 或内存波动很正常，探针过早重启会形成循环失败。
四、工程边界：平台要限制复杂度
平台团队容易陷入“支持一切”的陷阱：每个模型一个运行时、每个团队一套参数、每个服务一种日志格式。短期看很灵活，长期会让排障成本爆炸。更务实的做法是先定义少量标准：镜像入口、健康检查路径、日志字段、指标命名、资源申请方式、发布流程。标准化不是为了限制创新，而是为了让故障能被同一套工具处理。
取舍也要明确。统一运行时会牺牲少数模型的定制空间，但能换来运维效率和安全边界；完全开放运行时看似自由，却会让平台无法承担可用性承诺。对于早期 AI 平台，我更倾向于先收紧底座，再给确有需要的团队开白名单。基础设施的第一目标不是炫技，而是让更多服务在同一套规则下稳定运行。
最后要建立上线门槛。模型服务至少要提供健康检查、基础压测结果、资源预算、回滚方案和告警规则。没有这些材料，不应该进入生产流量。平台若不设门槛，问题就会在深夜以线上事故的形式回来。
生产落地补充：从能跑到可维护
从生产落地角度看，这类方案不能只停留在主流程。更关键的是把输入校验、失败分支、资源上限和回滚路径提前写清楚。主流程通常容易在演示环境里跑通，真正暴露问题的是异常输入、依赖抖动、并发放大和权限边界。一篇技术方案如果没有解释这些约束，读者很难判断它能否放进真实系统。
评估时建议先定义三类指标：正确性指标、稳定性指标和成本指标。正确性指标回答结果是否可信，稳定性指标回答失败时是否可控，成本指标回答持续运行是否划算。三类指标要同时进入验收清单，不能只用平均耗时或单次成功率证明方案有效。
五、总结
云原生 AI 平台搭建的起点，不是追逐最热组件，而是把模型服务当作普通服务认真治理。镜像、部署、探针、流量、指标和回滚做扎实，AI 能力才有稳定落地的底座。
