作者:这篇文章不是"Infra 概念科普",而是一线技术专家视角的工程笔记。
我们会把 Infra 拆成:计算 / 网络 / 存储 / 容器 / CI-CD / GitOps / 可观测性 / 平台工程 八大件,配上 Terraform、Kubernetes、GitHub Actions、OpenTelemetry 的真实代码片段,顺便把踩过的坑直接写成"结论 + 操作步骤"。
科普:Infra 是 infrastructure(基础设施)的缩写,音标为 ˈɪnfrə,在技术领域通常指支撑系统运行的底层基础架构 。2026 年以来,随着大模型应用普及,AI Infra(人工智能基础设施)成为行业热点,指的是支撑人工智能应用开发、部署、运行和管理的一系列基础工具和软件平台 。

0. 为什么 Infra 是研发系统的地基
很多团队把"业务代码"当主角,把"基础设施"当配角:
- 环境靠手工点控制台
- 网络靠 Excel 记网段
- 发布靠"我本地能跑"
- 故障靠"谁登上去看看"
结果就是:
业务越复杂,环境越像黑盒;
人一多,配置就开始漂移;
出一次事,排查三小时起步。

Infra 的本质,不是"服务器 + 网络",而是:
把基础设施当成软件来设计、版本化、测试、交付。
现代 Infra 的核心目标就四个字:确定、可复现。
1. Infra 的分层模型(先建全局视角)
我习惯把一套现代研发 Infra 分成 5 层:
┌─────────────────────────────┐
│ Platform / Developer Portal │ 平台工程、自助环境、Golden Path
├─────────────────────────────┤
│ App Runtime │ K8s / 容器 / 服务网格
├─────────────────────────────┤
│ CI/CD + GitOps │ 构建、测试、发布、回滚
├─────────────────────────────┤
│ IaC Base │ 网络、VPC、安全组、集群、存储
├─────────────────────────────┤
│ Cloud / BareMetal │ 计算、对象存储、数据库、DNS
└─────────────────────────────┘
每一层都要"代码化",不是"文档化"。
2. IaC:基础设施即代码(Infra as Code)

2.1 声明式才是正路
IaC 有两种写法:
- 命令式:先建 A,再改 B,最后配 C(脚本味重)
- 声明式:我只写"终态",引擎自己收敛(Terraform / OpenTofu)
生产环境一律建议声明式。
核心原则:
- 幂等:apply 一百次,结果一样
- 不可变:不改正在跑的机器,直接换新的
- 状态外置:state 放远端,不落本地
- 变更可 Review:Infra 改动 = 提 PR
2.2 Terraform 项目结构(真实可用)
infra/
├── modules/
│ ├── vpc/
│ │ ├── main.tf
│ │ ├── variables.tf
│ │ └── outputs.tf
│ ├── eks/
│ ├── rds/
│ └── observability/
├── environments/
│ ├── dev/
│ │ ├── main.tf
│ │ └── terraform.tfvars
│ ├── staging/
│ └── prod/
├── policies/
│ └── opa/
└── tests/
2.3 一个最小可跑的 VPC 模块
modules/vpc/main.tf
resource "aws_vpc" "this" {
cidr_block = var.vpc_cidr
enable_dns_support = true
enable_dns_hostnames = true
tags = {
Name = "${var.env}-vpc"
}
}
resource "aws_subnet" "public" {
count = length(var.public_cidrs)
vpc_id = aws_vpc.this.id
cidr_block = var.public_cidrs[count.index]
availability_zone = var.azs[count.index]
map_public_ip_on_launch = true
tags = {
Name = "${var.env}-public-${count.index}"
}
}
resource "aws_subnet" "private" {
count = length(var.private_cidrs)
vpc_id = aws_vpc.this.id
cidr_block = var.private_cidrs[count.index]
availability_zone = var.azs[count.index]
tags = {
Name = "${var.env}-private-${count.index}"
}
}
environments/prod/main.tf
module "vpc" {
source = "../../modules/vpc"
env = "prod"
vpc_cidr = "10.10.0.0/16"
azs = ["cn-north-1a", "cn-north-1b"]
public_cidrs = ["10.10.1.0/24", "10.10.2.0/24"]
private_cidrs = ["10.10.11.0/24", "10.10.12.0/24"]
}
2.4 State 管理:别把生产拓扑写进明文字节
结论先行:
Terraform State 里可能有网段、资源名、甚至临时明文变量,必须远程存 + 加密 + 锁。
推荐做法:
terraform {
backend "s3" {
bucket = "infra-state-prod"
key = "prod/vpc/terraform.tfstate"
region = "cn-north-1"
dynamodb_table = "infra-lock"
encrypt = true
}
}
踩坑结论:
- 不要提交
.tfstate到 Git - 不要多人本地同时
apply - 敏感变量用
sensitive = true+ Secrets Manager
3. 容器与 K8s:不可变基础设施的主战场

3.1 为什么 K8s 是 Infra 核心
K8s 把"应用运行"抽象成声明式对象:
- Pod:最小运行单元
- Deployment:我要几个副本
- Service:怎么被发现
- Ingress:怎么被访问
- ConfigMap/Secret:配置与密钥
你不再"登机器改配置",而是"改 YAML,集群自己收敛"。

3.2 一个生产级 Deployment 样例
bash
apiVersion: apps/v1
kind: Deployment
metadata:
name: audit-service
namespace: audit-system
spec:
replicas: 3
selector:
matchLabels:
app: audit-service
strategy:
rollingUpdate:
maxSurge: 1
maxUnavailable: 0
template:
metadata:
labels:
app: audit-service
spec:
containers:
- name: audit-service
image: registry.internal/audit-service:1.4.2
ports:
- containerPort: 8080
resources:
requests:
cpu: "500m"
memory: "512Mi"
limits:
cpu: "1"
memory: "1Gi"
readinessProbe:
httpGet:
path: /health
port: 8080
initialDelaySeconds: 10
periodSeconds: 5
livenessProbe:
httpGet:
path: /health
port: 8080
initialDelaySeconds: 20
periodSeconds: 10
envFrom:
- configMapRef:
name: audit-config
- secretRef:
name: audit-secrets
关键不是"能跑",而是:
- 有探针(不然流量打死 Pod)
- 有资源限制(不然邻居被拖崩)
- 配置分离(镜像不包含环境配置)
- 版本固定(不用
latest)
3.3 网络与存储边界
生产集群网络建议:
- Public subnet:只放 LB / Ingress
- Private subnet:放业务 Pod
- 数据库不进 K8s,走云托管 RDS
- 对象存储走 MinIO / 云 OSS,不挂本地盘
对象存储用 MinIO 举个真实配置例子:
apiVersion: v1
kind: PersistentVolumeClaim
metadata:
name: minio-pvc
namespace: storage
spec:
accessModes:
- ReadWriteOnce
resources:
requests:
storage: 50Gi
结论:有状态服务尽量"外置存储",Pod 本身必须是可丢弃的。
4. CI/CD:把 Infra 变更塞进流水线

4.1 流水线不是"构建脚本"
生产级 CI/CD 至少分四段:
代码提交
↓
静态检查 + 单测
↓
构建镜像 + 扫描
↓
Infra Plan / Apply
↓
滚动发布 + 健康检查
4.2 GitHub Actions 实战(含 IaC)

.github/workflows/infra.yml
name: infra-ci
on:
pull_request:
paths:
- "infra/**"
jobs:
terraform:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Setup Terraform
uses: hashicorp/setup-terraform@v3
- name: Terraform Init
run: terraform -chdir=environments/prod init
- name: Terraform Format
run: terraform -chdir=environments/prod fmt -check
- name: Terraform Validate
run: terraform -chdir=environments/prod validate
- name: Terraform Plan
run: terraform -chdir=environments/prod plan
合并后自动 apply:
apply:
needs: terraform
if: github.ref == 'refs/heads/main'
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- run: terraform -chdir=environments/prod apply -auto-approve
4.3 应用发布用 GitOps

K8s 里别再手写 kubectl apply,用 ArgoCD / Flux。
ArgoCD 核心逻辑:
-
Git 里存"期望状态"
-
ArgoCD 对比集群"实际状态"
-
不一致就自动同步
apiVersion: argoproj.io/v1alpha1
kind: Application
metadata:
name: audit-service
namespace: argocd
spec:
project: default
source:
repoURL: https://git.internal/platform.git
path: apps/audit-service
targetRevision: main
destination:
server: https://kubernetes.default.svc
namespace: audit-system
syncPolicy:
automated:
prune: true
selfHeal: true
结论:Git 是唯一真相源,集群只是执行器。
5. 可观测性:Infra 的"仪表盘"
没有可观测性的 Infra = 盲飞。
三件套:
- Metrics:Prometheus + Grafana
- Logs:Loki / OpenSearch
- Traces:OpenTelemetry + Tempo / Jaeger
5.1 OpenTelemetry 注入 Trace
Spring Boot 服务里接 OTel:
otel:
exporter:
otlp:
endpoint: http://otel-collector:4317
service:
name: audit-service
traces:
sampler: always_on
Python Flask 服务:
from opentelemetry import trace
from opentelemetry.exporter.otlp.proto.grpc.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import BatchSpanProcessor
provider = TracerProvider()
provider.add_span_processor(
BatchSpanProcessor(OTLPSpanExporter(endpoint="http://otel-collector:4317"))
)
trace.set_tracer_provider(provider)
tracer = trace.get_tracer(__name__)
5.2 日志和链路打通
日志里必须带 trace_id:
{
"ts": "2026-11-17T10:22:01Z",
"level": "ERROR",
"service": "audit-service",
"trace_id": "4b7c1f2a9e844e1f",
"msg": "rule evaluate timeout"
}
Grafana 里配置:
- 从 Trace 跳日志
- 从日志跳 Trace
- 从 Metric 下钻到实例
结论:可观测性不是"装个监控",而是把"请求上下文"贯穿全链路。
6. 安全左移:Infra 也要过安检

6.1 镜像扫描
CI 里加 Trivy:
- name: Scan Image
uses: aquasecurity/trivy-action@master
with:
image-ref: registry.internal/audit-service:${{ github.sha }}
severity: HIGH,CRITICAL
exit-code: 1
6.2 策略即代码(Policy as Code)
用 OPA / Checkov 拦违规 IaC:
- name: IaC Scan
run: checkov -d infra/
比如禁止:
- 0.0.0.0/0 开放 22 端口
- 公网 RDS
- 没配加密的存储桶
6.3 密钥不进代码
结论:
- 应用运行时用 Secret 挂载
- CI 用 OIDC,不用长期 AK/SK
- Vault / 云 Secrets Manager 是标配
7. 平台工程:让研发"少感知 Infra"
7.1 为什么需要平台工程
SRE 不想天天帮业务建环境,业务也不想学 Terraform。
解法:内部开发者平台(IDP)。
能力矩阵:
| 能力 | 表现 |
|---|---|
| 自助建环境 | 点一下出一套 namespace |
| 模板化服务 | 新服务自动带监控/日志 |
| 统一网关 | 不用自己配 Ingress |
| 标准发布 | 默认金丝雀 + 自动回滚 |
7.2 Backstage 服务目录样例
apiVersion: backstage.io/v1alpha1
kind: Component
metadata:
name: audit-service
description: 智能审计规则引擎
spec:
type: service
lifecycle: production
owner: team-audit
研发只看"我的服务",不用看"底层 VPC"。
8. AI 编程工具在 Infra 里的用法与边界
现在写 Infra 也离不开 AI 工具,但结论很直接:
AI 适合写模板,不适合替你拍板生产架构。
可用场景:
- 生成 Terraform 模块骨架
- 补全 K8s YAML
- 写 CI 片段
- 解释报错栈
不能用场景:
- 直接生成生产网络拓扑
- 自动
apply到 prod - 不审策略就合并 IaC PR
实操建议:
- 让 AI 出 draft
- 人工审"权限 / 网段 / 状态锁 / 成本"
- 单测 + plan 输出贴 PR
- 合并前双人 review
顺带提一句:技术文章别让 AI 率太高,代码要真、踩坑要实,不然同行一眼假。
9. 典型生产架构一张图(审计系统示例)
┌────────────┐
用户/前端 ───▶ │ Ingress │
└─────┬──────┘
│
┌────────▼────────┐
│ K8s Service │
│ audit-service │
└────────┬────────┘
│
┌──────────────┼──────────────┐
│ │ │
┌────▼────┐ ┌─────▼─────┐ ┌────▼────┐
│ Rule │ │ Document │ │ Trace │
│ Engine │ │ Parser │ │ Collect │
└────┬────┘ └─────┬─────┘ └────┬────┘
│ │ │
┌────▼────┐ ┌─────▼─────┐ ┌────▼────┐
│ Oracle │ │ MinIO │ │ OTel │
│ Kingbase│ │ 对象存储 │ │ Prometheus│
└─────────┘ └───────────┘ └─────────┘
IaC: Terraform + OpenTofu
CI : GitHub Actions / 云效
CD : ArgoCD
Obs: Grafana + Loki + Tempo
10. 踩坑清单(直接结论版)
10.1 Terraform 漂移
现象:terraform plan 总显示非预期变更
结论:
- 禁止控制台手改生产资源
- 加
drift detection - 紧急手工操作后,立刻反写代码并提 PR
10.2 K8s 滚动发布断流
现象:发布瞬间 502
操作步骤:
- 加
readinessProbe - 用
preStop优雅下线 - Argo Rollouts 做金丝雀
- 检查 Ingress 健康检查
10.3 日志爆量
现象:Grafana 查不动
结论:
- 生产只采 ERROR + 关键 INFO
- 日志采样
- 冷数据转对象存储
10.4 状态文件泄露
结论:
- S3 加密
- 禁止匿名读
- CI 用临时凭证
11. Infra 成熟度模型(对照自检)
| 阶段 | 特征 | 痛点 |
|---|---|---|
| L0 | 手工点控制台 | 环境漂移 |
| L1 | 脚本化部署 | 不可幂等 |
| L2 | Terraform 管理资源 | 无测试、无策略 |
| L3 | GitOps + CI 扫描 | 缺平台化 |
| L4 | 平台工程 + 自服务 | 组织协作成本 |
| L5 | AI 辅助运维闭环 | 审计与责任边界 |
大多数团队卡在 L2--L3,能到 L4 已经很能打。
12. 未来 Infra 的三个方向

12.1 GitOps 成为默认
以后不是"部署系统",而是:
Git 提交 = 生产变更
12.2 多云 / 信创 / 混合云统一抽象
上层用 Crossplane / 自研控制面,屏蔽底层云差异。
12.3 AIOps + Infra Agent
- 监控异常 → 自动提 PR
- 成本超标 → 自动缩容建议
- 故障定位 → Trace + 日志自动聚合
但记住:
AI 可以提方案,不能无人值守改生产。
13. 总结:Infra 工程师的核心能力
做 Infra 不是"会写 Terraform"就行,真正值钱的是:
- 能把业务风险翻译成架构边界
- 能让环境可复现、可回滚、可审计
- 能把复杂系统收敛成简单抽象
- 能在故障现场 10 分钟给结论
一句话收尾:
好 Infra 的标准,不是多先进,而是:半夜出问题,你能睡得着。
附录:最小学习路径
- IaC:Terraform / OpenTofu
- 容器:Docker → K8s → ArgoCD
- 网络:VPC / Subnet / Ingress / NetworkPolicy
- 可观测:Prometheus / Grafana / OTel
- 安全:Trivy / OPA / Vault
- 平台:Backstage / K8s CRD / 内部模板


