数据科学家建站无需懂运维？16年支持工程师揭秘真相

　　去年春节，我接了个单子，数据科学家自己搭的模型服务站，挂了三天没动——不是不能动，是动了更糟。他发来截图，/healthcheck 返回 502，nginx 日志里全是 upstream refused，他以为是 Flask 启错了端口，改了十八秒，又改回来，最后在 Slack 里问：“是不是得换异步框架？”

　　我登上去看，systemctl status nginx 亮着绿灯，但 ps aux | grep nginx 只有 master 进程，worker 全死了。systemctl restart nginx —— 成功。两分钟后，又死。这时候我听见楼道里有人拖着塑料拖鞋啪嗒啪嗒走过去，手里还拎着一袋冻饺子，估计是隔壁运维老张值班回家。我没叫他，自己翻 journalctl -u nginx -n 200。第三行就写着：failed to load shared library libcrypto.so.1.1: cannot open shared object file。我原以为又是系统升级搞的鬼，结果一查，/usr/lib/x86_64-linux-gnu/libcrypto.so.1.1 权限是 600，属主 root，属组 root，但 nginx worker 是 www-data 身份跑的——它压根读不了这个文件。

　　谁改的权限？没人承认。但那个 .so 文件上一次修改时间是腊月二十三，我们所有人的休假通知都发出去了，服务器自动更新脚本跑了一次，把 openssl 升到 3.0.12，顺手 chmod 600 了旧库。这事我不敢打包票是谁干的，但我知道那个更新脚本配置里有一行注释：“# for FIPS compliance – harden libs”，字是我半年前加的。所以这锅，我得认一半。

　　桌上的外卖盒还敞着盖，咖喱鸡块已经结膜，上面浮着三粒干瘪的青豆。我用筷子尖拨了一下，没动它。对面工位小王探头说“要不咱先回滚 openssl？”，我摆摆手，他转身时袖口蹭掉了键盘上一根头发。我其实没听清他说啥，只看见他左耳戴的那个银圈闪了一下——他上个月刚打了耳洞。

　　数据科学家建站无需懂运维？站得住的地方是优胜劣汰。不是“不用学”，是“学不会的，自然淘汰”。不是平台兜底，是故障现场兜不住人。我见过两个典型：一个搞金融时序预测的，在 k8s 上把 livenessProbe 的 initialDelaySeconds 设成 3，容器永远等不到就绪就被 kill；另一个做推荐系统的，在 S3 上存模型权重，直接写 s3://bucket/model.pkl，没加 endpoint_url，结果默认连的是 us-east-1，但他部署集群在 frankfurt，超时 30 秒才报错，日志全埋在 kubelet 里，他查了两天，以为是 PyTorch DataLoader 阻塞。

　　这两个现在都在哪儿？第一个三个月后转去当售前了，PPT 写得飞快；第二个去年十月离职，听说去了某家大厂做 MLOps 工具链的产品经理。都不是坏人，也不是笨，就是被线上那几秒钟的延迟、那条没露头的 error、那个没打全的 flag，一点一点推离生产现场。你别跟我说他们该学。他们试过。只是有些东西，真得踩着机器响起来那一下，才能记住。

　　说到机器响——对，就是那台物理机柜顶上，编号 R7 的那台，风扇坏了半年多，嗡嗡声像卡了半截录音带，每次我路过都下意识捂右耳。上周它突然不响了。我扒开挡板看，散热片上积灰太厚，压着温度传感器，系统以为过热，自动降频锁频，结果整个监控指标图平了三天，连 CPU 使用率那条线都直得不像话。后来换风扇的时候，我发现螺丝孔旁边贴了张便利贴：“李工：请修 —— 小赵（已转岗）”。这事儿我说不准是不是和建站有关，但它确实发生了，就在我调 nginx 那天下午三点十七分。

　　还有个细节：除夕那天凌晨两点，我收到一条微信，不是客户，是那个数据科学家自己。他发了个链接，是 GitHub 上一个叫 ml-deploy-cli 的工具，下面配字：“刚发现这个，能自动生成 docker-compose.yml 和 nginx conf，支持自动 HTTPS”。他加了个表情包，熊猫捂嘴笑。我没回。第二天中午他发来截图，生成的 conf 里 server_name 写成了 $hostname，而他机器上 hostname 是 localhost。我截图发他，他回：“啊？还能这么填？”

文章配图，仅供参考

　　我不是反对自动化。我每天删 12 行重复 YAML。但我见过太多人在 CI 流水线里写 echo "✅ model uploaded"，结果上传失败后脚本照样 exit 0；也见过用 Terraform apply -auto-approve 把 VPC 销毁两次的人，就因为 tfstate 存在本地。他们不是懒，是没机会在凌晨四点，看着 /var/log/syslog 里那一长串 timeout 堆栈，手指冰凉地敲 rm -rf /tmp/.mlflow_tmp，同时听见楼下清洁阿姨推着水桶哐当一声撞上消防门。

　　前两天茶水间遇见陈姐，她搓了一下手指，指甲缝里有点粉笔灰——她带实习数据工程师，上个月让俩学生各搭一套推理服务，限定两天。一个用现成模板，绑了域名、开了 https、配了健康检查，跑通；另一个坚持从零编译 ONNX Runtime，装完 gcc 愣是没找到 make。陈姐没批评，只说：“你们俩下周轮岗，去帮林工盯三天告警。” 林工是我们组唯一会修打印机的人。打印机卡纸那声音，跟 nginx worker segfault 前的最后那声 sys_write 确实挺像。

　　我原以为这事过去就算了。结果初五下午，客户群突然弹出一个新成员，昵称“DS_Ops_Trainee_v2”，头像是只举着扳手的柴犬。他发的第一条消息是：“请教：supervisord 启动后显示 RUNNING，但实际进程没起来，journalctl 查不到日志，可能是什么原因？” 我盯着那句话看了四十七秒，窗外开始下雨，雨点砸在空调外机上，噼啪、噼啪、噼啪。

　　要不要回？我现在还不确定。

（编辑：我爱制作网_沈阳站长网）

【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!