Kubernetes 集群中的 GPU 节点故障率远高于普通节点，传统被动修复方式导致 AI 训练频繁中断。AWS 团队通过构建自愈监控 Agent，将 GPU 节点故障恢复时间从小时级缩短到分钟级，为大规模 AI 负载提供了新的运维范式。
1. GPU 节点自愈：K8s 运维的下一个战场#
AWS 团队分享了构建 EKS GPU 节点监控 Agent 的经验，该 Agent 能够自动检测 GPU 硬件故障、驱动异常和温度过高等问题，并触发节点自愈流程。相比传统人工介入，自愈机制将故障恢复时间降低了 90% 以上。
2. Spark 4.2 内置向量搜索，数据库要失业？#
Apache Spark 4.2 新增原生的向量搜索功能，可直接在 Spark 内部完成相似性检索，不再依赖外部向量数据库。这对 AI 工作负载的 ETL 链路是重大简化，运维同学可以少维护一套中间件。
3. 代码审查前置：在代码写出来之前就 review#
“将代码审查移到上游”的理念正在兴起：在开发者编写代码之前，先审查设计文档和接口定义。这种方法能减少 40% 以上的返工，尤其适合微服务和 API 密集型项目。
4. K8s 控制器大规模运维的实战教训#
从意图到执行，大规模运行 Kubernetes 控制器时，需要关注最终一致性、重试风暴和资源泄漏。文章总结了多个生产级控制器的优化经验，包括如何设计幂等性和优雅处理 leader 选举。
5. AI Agent 的瓶颈不再是模型，而是上下文层#
随着 AI Agent 复杂度的提升，模型能力已不是主要限制，上下文管理和工具调用成为新的瓶颈。文章提出需要为 Agent 构建专用的上下文缓存和证据包（Evidence Packet）来保证决策可追溯。
6. 平台工程的新任务：以 Agent 速度提供环境#
AI Agent 需要秒级获取隔离的开发和测试环境，传统平台工程的“环境即服务”模式面临性能挑战。DoorDash 甚至为 Agent 开发了专属 CLI，以解决环境供给延迟问题。
7. 1Password 与 Claude 深度集成：AI 安全使用凭证的新范式#
1Password 推出了面向 Claude 的浏览器集成，允许 AI 助手在用户授权下安全读取和填充凭据，而不会暴露明文密码。这为 AI 时代的安全运维提供了新思路。
运维的本质从未改变：让系统更可靠、更高效，只是今天的主角从 CPU 换成了 GPU，从脚本换成了 Agent。
