运维工程师：做了五年运维，我转型做了LLMops

小陈是我带过的新人，三年前连K8s的pod都不会看，只知道在群里@我。上周他在大模型服务群里发了一条消息：

“vLLM的continuous batching参数我调了一轮，GPU利用率从54%提到87%，延迟还降了20%。文档我放Confluence了，大家 review 一下。”

我盯着那条消息看了很久。不是嫉妒，是一种说不清的慌。然后我打开了自己负责的监控大盘——显存告警已经亮了47分钟，红色的线顶在92%的位置，我还没找到根因。

我做了五年运维。K8s、Prometheus、Grafana、ELK、链路追踪，这些我闭着眼睛都能配。但那一刻，我觉得我正在被一个新世界甩开。

---

一、五年运维的优越感，在GPU面前失灵

我入行的时候，运维还叫运维。后来叫SRE，再后来叫DevOps，现在叫平台工程。不管title怎么变，我干的活本质没变：让服务稳定、让发布顺滑、让故障可恢复。

五年里，我处理过无数次的CPU打满、内存泄漏、磁盘写满、网络抖动。我做过蓝绿发布、金丝雀发布、容量规划、灾备演练。我觉得自己对这个互联网基础设施已经足够熟悉了。

直到公司上线大模型应用。

第一次接到GPU服务器的告警，我还以为是普通的服务器问题。登录上去一看，显存满了，GPU利用率却是0%。我按常规思路排查：是不是进程死锁？是不是内存泄漏？是不是某个容器申请了资源没释放？查了半天，发现是vLLM的KV Cache占满了显存，导致新请求进不来。

我以前处理的是CPU和内存。CPU可以调度，内存可以OOM killer，磁盘可以扩容。但GPU不同，显存是宝贵的、不可扩展的，一旦占满，整个推理服务就卡死。而且GPU的调度、监控、隔离、故障恢复，跟CPU完全是两套逻辑。

我那时的感受，就像一个开了十年油车的老司机，突然要开电动车。知道怎么开车，但不知道电门怎么踩、能量怎么回收、充电桩怎么用。

---

二、第一次大模型服务上线，我差点搞砸

公司第一个大模型服务上线前，我负责部署和运维。我按传统经验做了一套方案：Docker镜像、K8s deployment、HPA自动扩缩容、Prometheus监控、Grafana看板。

上线当天，流量一进来，服务就挂了。不是Pod重启，是GPU显存直接爆掉，然后整个节点卡住，Pod起不来。我查日志，发现请求长度差异巨大：有的问题10个token，有的问题1000个token。长请求把KV Cache占满了，短请求在后面排队，整个服务雪崩。

“你这个HPA是按CPU扩缩的？”算法同学问我。
“对，常规做法。”
“但大模型推理瓶颈不是CPU，是显存和吞吐。你要按显存和队列长度扩。”

那一刻我明白，LLMops不是把传统ops搬到GPU上，而是重新设计资源模型。CPU可以按核数切，GPU可以按显存切、按实例切、按MIG切、按MPS切。负载的度量单位不是CPU利用率，而是TTFT、TBT、token吞吐、显存碎片率。

我重新做了部署方案。模型用vLLM serving，装成两个replica，每个replica绑定一张A10。扩缩容指标改成GPU显存使用率和等待队列长度。HPA换成KEDA，因为KEDA支持自定义metrics，可以接Prometheus里的vLLM指标。

我还给推理服务加了ingress rate limit，防止突发流量把服务打挂。给长请求单独设置了一个慢队列，避免拖累短请求。这些思路都来自我五年运维的高可用经验，但具体实现全是新东西。

---

三、模型服务化：vLLM、Triton、TensorRT-LLM怎么选

做LLMops，第一步是选对模型服务化框架。我三个都试过。

vLLM是我们目前的主力。PagedAttention和Continuous Batching非常成熟，社区活跃，支持的模型多。我们7B和13B模型都用它。它的优势是吞吐高，缺点是一些高级特性还在快速迭代，配置文档有时候跟不上代码。

Triton是NVIDIA出的推理服务框架，适合多模型、多backend的复杂场景。我们有一个场景需要同时 serving 一个大模型和一个小模型，用Triton可以统一调度。但它的配置复杂，学习曲线陡，我们花了一周才把backend和模型仓库搞定。

TensorRT-LLM性能很强，特别是配合NVIDIA GPU，能把延迟压得很低。但它的模型转换和plugin支持比较挑，不是所有模型都能平滑转。我们只在追求极致性能的场景用它，比如高并发实时推荐。

这三个框架各有适用场景，选哪个不是技术宗教问题，是业务需求问题。我做了一个简单的决策矩阵：

• 需要快速上线、社区支持好：vLLM；
• 多模型统一服务、企业级调度：Triton；
• 极致性能、能接受NVIDIA生态绑定：TensorRT-LLM。

我还发现，模型服务化不只是“跑起来”。要做好健康检查、优雅关闭、模型预热、版本切换、灰度发布。这些在传统微服务里都是基本功，但在大模型服务里，每个环节都要重新考虑。比如模型预热，如果pod启动后第一次推理特别慢，直接上线会把流量打崩。我们加了启动时warmup，用一批固定请求把模型跑热，再标记ready。

---

四、GPU调度：从“有卡就行”到“精细化切分”

我们一开始GPU资源很粗放：一张卡跑一个模型。利用率低，成本高。后来我开始研究K8s上的GPU调度。

NVIDIA GPU Operator是基础，它能在K8s节点上自动安装驱动、设备插件、DCGM exporter。装了之后，Pod可以申请nvidia.com/gpu资源，Prometheus也能采集到GPU指标。

MIG（Multi-Instance GPU）让我眼前一亮。它可以把一张A100物理上切分成7个独立实例，每个实例有自己的显存和计算单元。这样一张卡可以跑7个不同的小模型，或者一个大的推理服务占多个实例。我们在一些测试环境用MIG，资源利用率明显提升。

MPS（Multi-Process Service）是另一种共享方式。它允许多个进程共享一张卡的上下文，显存和计算资源动态分配。MPS适合那种不能物理切分、但希望多任务共存的场景。比如推理服务和embedding服务共用一张卡，用MPS管理显存配额。

我还做了配额管理。每个namespace可以申请多少GPU、最大显存多少、最大并发请求多少，都用ResourceQuota和LimitRange限制。否则开发同学会无限制地申请资源，把生产卡占满。

“你这不就是资源治理吗？”老运维同事问我。
“是，但治理对象是GPU，是token，是显存块。你得重新理解什么叫资源。”

---

五、可观测性：不能只监控机器，要监控模型行为

运维五年，我最重要的经验就是：没有监控，就别谈稳定性。LLMops也一样，但监控对象变了。

我搭了一套针对大模型服务的可观测体系：

基础设施层：用Prometheus + DCGM exporter监控GPU温度、功耗、显存使用、利用率、PCIe带宽。这些指标能告诉我们硬件是不是健康的。

服务层：监控TTFT、TBT、请求延迟、QPS、token生成速率、队列长度、错误率。vLLM自带metrics接口，直接接Prometheus。

业务层：监控答案相关性、幻觉率、用户满意度、fallback触发次数。这些指标需要业务数据参与，我用一个Python服务定期从日志和数据库里汇总。

三层指标分开看，也要结合起来看。有一次GPU利用率不高，但TTFT很高，查了半天发现是网络带宽瓶颈，embedding服务和大模型服务跨节点通信，延迟全耗在RPC上。后来我们把embedding服务和大模型服务调度到同一个节点，TTFT降了60%。

模型版本管理我们也做进了LLMops。用MLflow记录每个模型的版本、训练参数、评测指标、部署位置。上线时先灰度到5%流量，观察核心指标没跌再全量。这个流程跟传统微服务的canary发布一模一样，只是把“代码版本”换成了“模型版本”。

---

六、运维工程师在LLMops里的不可替代性

转型半年，我越来越觉得，运维工程师的高可用、监控、容量管理、资源调度经验，是LLMops最硬核的底座能力。

大模型服务不是普通应用，它贵、它慢、它不稳定、它难调试。一个7B模型加载一次就是几十秒，一个Pod重启可能让几百个请求超时。没有运维经验的人，根本不知道怎么在GPU上稳定跑这些服务。

但我们也必须升级。GPU架构、CUDA生态、推理框架、模型服务化、token级监控，这些都要补。我以前觉得懂K8s就够了，现在发现K8s只是基础，之上还有一整套AI基础设施要学。

给想转型的运维工程师几点建议：

第一，先学会看GPU。不是看top，而是看nvidia-smi、看DCGM指标、看显存占用和碎片。理解GPU不是黑盒，它的显存、计算单元、通信带宽都有瓶颈。

第二，从vLLM部署开始。跑一个开源大模型，尝试不同的batching策略、不同的调度参数、不同的资源配额。数字比概念重要。

第三，建立token级别的监控。不要只看请求数，要看token数、TTFT、TBT、队列长度。这些才是大模型服务的真实负载。

第四，学习MIG和MPS。GPU资源很贵，精细化管理是LLMops的核心价值之一。

第五，把模型版本纳入发布流程。模型不是静态文件，它是会变的“代码”。要有版本、有灰度、有回滚、有审计。

我现在名片上是“LLMops工程师”。小陈偶尔还会问我问题，但他问的问题越来越深了。我不再是那个什么都知道的师傅，而是一个跟他一起在新领域里摸索的人。

这感觉其实挺好。至少说明，这个新世界还在变，我们还有机会跑在前面。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！