给 AI 基础设施巡检脚本加上只读、退出码和审计

给 AI 基础设施巡检脚本加上只读、退出码和审计

巡检脚本最怕两件事：只打印一堆“看起来不对”的文本，或在判断不充分时直接改资源。先把检查和处置拆开，脚本才适合接入日常运维。

输出要能被程序消费

每个检查项应包含对象、观察值、判定依据和时间。正常、发现问题、检查失败使用不同退出码；权限不足、接口超时与确实异常也要分开。涉及请求内容或凭证时，只记录必要的脱敏摘要。

第一阶段默认只读，可检查模型副本未就绪、任务队列积压、证书临近到期、配置漂移和异常重启。阈值从配置读取，并标明负责人，文章不替具体环境虚设数值。

修复动作单独授权

自动处置需要显式参数、幂等键、影响范围和审计记录。删除 Pod、切换流量或修改副本数之前，再读取一次目标状态，避免基于过期结果操作。

脚本验收不只看成功路径。还要模拟 API 不可用、返回字段缺失、重复执行和中途取消，确认退出码稳定，且失败不会留下半完成变更。这样的巡检才是真正能托底的基础设施工具。