目录
前言
AI 大爆发的时代下，AI 给传统 Linux 运维带来了哪些机遇？
首先说说我的看法：
- 角色升级：从"执行者"变成"平台设计者 + AI 训练者"。
- 能力迁移：懂业务 + 懂 Linux 运维 + 会用 AI，我认为这类复合人才极度稀缺。
- 价值重估：重复劳动被替代后，运维的价值体现在架构设计、稳定性治理、AI 运维开发落地这些高价值环节。
平台开发初衷
在物理机与云混合的环境下，主机账号密码、iBMC 凭据、硬件配置等资产信息，大多仍以 Excel 形式记录。这种方式成本低，但管理效率差：一次 iBMC 登录装系统，就要经历"查表 → 找账号 → 手动输入"的繁琐流程。
为此，我使用 Claude Code + Deepseek-v4-pro 模型，基于 Go + Gin + React 的架构开发了 UniRack 主机统一纳管平台。
平台提供四项核心能力：
- 统一纳管：物理机与云主机一体化管理。
- 带外运维：电源操作与 VNC 控制台。
- 分级授权：按组织架构管理权限。
- 操作留痕：全程可审计。
目标是把分散、依赖人工的运维工作，收敛为一个统一、可控、可追溯的平台。
技术选型
后端
Go
运维平台要处理大量并发请求（主机状态采集、批量命令下发），Go 的并发模型就是最佳选择，部署简单，不依赖运行时。
Gin
Wed 框架使用 Gin，其轻量、路由清晰、中间件生态成熟的特性，对中小型平台来说已足够。
Auth
- 服务端签发令牌，用 HMAC-SHA256 签名
- 客户端每次请求带上令牌，服务端只用密钥验签，不用查 session 存储
- 水平扩容时无需共享 session，多个后端实例都能独立验签
Gofish
是 Go 生态较成熟的 Redfish 客户端，封装了 Chassis / Power / Thermal / Storage 等常见资源。
PostgreSQL
UniRack 要管理的数据结构复杂，主机有标签、分组、多网卡、多凭据、权限有组织层级、审计日志有半结构化字段。
PostgreSQL 原生支持：
- 数组类型：一台主机的多个标签/IP 可以直接存数组，不用额外建表。
- JSONB：主机的扩展属性、iBMC 返回的原始信息，存 JSONB 且可索引、可查询，比 MySQL 的 JSON 灵活得多。
- 范围类型：维护窗口、权限有效期这类时间范围，天然适配。
- 自定义类型：可以定义「主机状态」「权限级别」等专属类型，从数据库层面保证数据合法。
前端
React
React 组件化适合做复杂的控制台界面（表格、终端、图表）。
TypeScript
主机、凭据、权限这些数据结构复杂，TypeScript 类型系统能在编译期挡掉大量低级错误。
Vite
开发热更新快，构建产物小，体验好。
AI Agent
Claude Code
Claude Code AI 辅助开发，从脚手架到具体的前后端模块编码工作。
Deepseek-v4-pro
模型选择 Deepseek-v4-pro，在中文语境和成本上其实表现还是挺不错的。
部署
docker
环境隔离、部署一致、交付快速、运维方便、资源利用率高。
架构设计
页面展示
简单展示一下前、后端功能开发完成并成功上线后的几项基础页面。
登录页
支持用户注册、登录。
控制台
仪表板总览展示。
详情页
主机详情
可展示主机详细信息，如 CPU、内存、磁盘等。
健康详情
可展示温度、风扇、电源、硬盘等健康明细。
管理页
用户密码修改、权限总览、用户管理等。
审计页
在管理页中"操作日志"中可查看每个用户的操作痕迹，便于审计。
其他
暗/亮主题
中/英文支持
平台版本详情
总结
AI 改变的不是运维的本质，而是运维的方式 。UniRack 就是我对 "AI 赋能运维"的一次实践。
"AI 赋能运维"的效能提升体现在哪里？
- 从
"产品设计 => 技术选型 => 代码编写 => 本地自测 => 预发自测 => 生产自测 => 制品"的流程完全 AI 自动化完成。 - 从 MVP 到可对外提供服务仅需 2~3 天，相比一个人的传统全栈开发（大至周期1.5--2 个月），提升了约 20--30 倍。
但始终要记住：AI 不会取代运维，但会用 AI 的运维，会取代不会用的，与各位共勉。