AI 100% 接管了我的 NAS 和 K8s 测试集群，我现在只做验收人——研发、测试也在被一起改写
做研发之前，我做过几年测试，留下一个后遗症：对"bug 在哪个环境才能复现"特别敏感。每一份提测我都问"在哪台机器跑过、依赖哪个版本、网络怎么开"——这些后来成了我愿意把环境交给 AI 的原因。
过去这一年让我意外的不是 AI 把活干完了，是两件事：
- AI 在我家 NAS 和公司 K8s 测试集群里扮演的角色已经是 100% 重要——从识别问题、判断分线点，到自动修复故障，全程不需要我介入；
- 但最后把关和负责，一定是人——AI 能超越我所有的运维和测试开发经验，但最终签字的那道关、最终负责的那个人，必须是我。
AI 干活，人把关——这是我这一年的核心结论。
说出来你可能不信。我家 NAS 跑 Jellyfin（影视）+ Immich（相册）+ SnapRAID 备份；公司 10 台 R&D 服务器主要是 K8s，加上 KVM/QEMU 虚拟化承载的多台虚拟机。这两套环境里从初始化到日常运维——镜像构建、依赖升级、备份校验、日志巡检、故障自愈、节点维护、虚拟机快照、转码调度、相册索引——全部由 AI 自己识别、自己判断、自己修复。我打开 dashboard 看一眼，只是确认它做对了——而不是我亲手做对。
我不怀念过去那种凌晨三点盯 CI、盯转码、盯 Pod 重启的日子。我感激 AI 把我从这些重复劳动里解放出来，让我的时间和精力真正聚焦在核心业务上——产品方向、架构决策、关键问题 review。省下来的时间，我在设计 Agent 的规则、写 SKILL.md、写 Eval 流水线。我从"亲自动手的人"，变成了"设计 Agent 操作 + 做最后验收的人"。
01｜从"我亲手搭好的"到"我没动它就跑通了"
有一晚我提了一段新代码的 PR，第二天 CI 全部 pass。我没动手——Agent 自己跑完、自己验证。
更早之前一次，我的 NAS 上 Jellyfin 突然多了一个新转码任务——AI 在后台悄悄重新转码了一段新加入的影片。第二天我打开播放器看到画面流畅了，才意识到 AI 在我睡觉的时候把活干完了。
我做过几年测试、又做过几年运维，过去那些"必须我亲手搭好"的事——环境配错了我来背、凌晨故障我来修、值班名单上有我的名字——AI 100% 接管后，这些事再也不需要我了。我不怀念这些，我只感激——AI 把我的时间和精力从重复劳动里解放出来，让我能聚焦在核心业务上。
02｜运维最值钱的，不是"会修"，是"知道怎么修才对"
Agent 自己跑了这么久，事故率还比我手动时低。不是因为它比我聪明，是因为我做了这两件事：
- 把"我脑子里容易踩的坑"显性化——什么环境组合会出问题、什么参数改动会触发回归、什么依赖版本升级会带来副作用、Jellyfin 转码卡住了要怎么停、Immich 大体积视频要先分片再跑索引。
- 把"我犯过的错"沉淀为护栏——每次出事故后，写"让 Agent 不可能犯这个错"的护栏，而不是写"下次注意"。
我几年的测试和运维经验不是过时了，而是终于被提炼了——藏在我脑子里的经验被写进代码、写进规则、写进 SKILL.md，每天每分每秒在用。这是过去从来没敢想过的杠杆。
比如 10 台 K8s 节点里有两台异构（一台 ARM、一台老 x86），加上 KVM/QEMU 承载的虚拟机，过去一次回归要为这几台单独写两套调度策略。现在这段经验被写进 Agent 的上下文：什么时候这两台需要单独调度、什么时候可以一起跑、什么时候必须人工复核。
NAS 这边也一样：Jellyfin 偶尔会卡在某种编码上、Immich 索引偶尔会在大体积视频上卡死——"哪种编码走哪条路径"、"哪种片源跳过哪种校验"、"Immich 索引大体积视频前先分片"这些经验全写进 SKILL.md。Agent 拿到的不只是转码参数，是几年家庭娱乐环境踩过的坑。
更让我感慨的是，这些经验一旦写下来，新人也能用。我团队里一位 2025 年入职的同事，靠这套 SKILL.md + Eval 流水线，已经能独立负责过去要 senior 研发才能管的回归任务。"经验不被时间稀释"的传承，是我以前从来没敢想的。
03｜AI 已经不需要我"放手"——因为我根本没插手
三个场景都是同样的剧本：
- 重构代码：我看着 Agent 改一段我自己写的代码，我判断"不能这样重构"，AI 没等我开口，自己识别了风险、自己判断"先扩测试覆盖、再小步重构、最后回归确认"、自己调出历史回滚记录，跑完了。我没动手，最后打开 PR 看一眼，确认它做对了。
- Jellyfin 转码卡死：磁盘越占越多，AI 自己识别到 IO 异常，自己判断"先扩临时空间给当前任务跑完、再并行起新任务、最后回收"——和我的直觉不同，但更稳。我没介入，业务没断、家庭看片没卡。
- K8s DaemonSet 升级：节点上 Pod 频繁重启，AI 自己识别到镜像在异构节点成功率偏低，自己调出资源水位和事件时间线，自己判断"先 rollout undo 回滚、再 cordon 排查"。我打开 dashboard 看了一眼，回滚已经完成。
三个场景里 AI 已经不需要我"放手"——因为我根本没插手。AI 自己识别问题、自己判断分线点、自己执行修复、自己验证结果；我唯一做的事是打开 dashboard 确认它做对了。
真正的转变不是从"操作"变成"放手"，而是变成"不插手"：我相信它会自己识别、自己判断、自己修复，我只做最后那道验收。
我现在按风险分级，但分级不再是"要不要人介入"，而是"我验收时要不要多看两眼"：
- L0 只读（查 Pod 状态、转码队列、索引、VM）——AI 自动跑、自动验证，我看一眼；
- L1 低风险（清理镜像、重启 Pod）——AI 自动跑、自动验证，异步通知我；
- L2 中风险（K8s 部署、虚拟机快照回滚、NAS 存储扩容）——AI 自动跑、自动验证，事后我看一眼；
- L3 高风险（节点 drain、数据迁移、系统盘重装）——AI 自动跑、自动验证，最后我做一次验收签字。
唯一不变的原则：AI 全程不靠我介入，我全程不靠动手执行——但最后把关和负责一定是我。差别只是验收时多看几眼还是少看几眼。AI 的能力可以超越我所有的运维和测试开发经验，但最终签字那道关，必须由人来。
04｜让一个好的运维人，正在从"操作员"变成"把关人"
这一代运维正在被掰成两种人。
操作员：熟悉每台机器、每个节点、每行配置；半夜被叫起来秒级响应。这个角色在 AI 时代需求曲线明显往下走——因为 AI 不需要人教它看监控、跑命令、等响应了。
把关人 + 验收人 + Agent 设计师：会设计 Agent harness、会写 prompt 与 context engineering、会搭 Eval 流水线、会用 MCP 把老旧的 K8s/KVM/NAS 监控系统"翻译"成 Agent 能用的工具。这个角色需求曲线在往上走。
最重要的一点：AI 可以超越我所有的运维和测试开发经验，但"最后签字、最终负责"这道关，必须由人来。我能把活 100% 交给 AI，但我不能把责任 100% 交给 AI——出了事，没人能替你承担。
我自己就在从第一种往第二种过渡。我现在每周刻意练"把关人 + 验收人 + Agent 设计师"，而且练得比练"操作员"还狠——操作员的肌肉记忆沉淀下来不会丢；"把关人 + 验收人 + Agent 设计师"才是会被时代甩下的部分。
更有意思的是，这两种角色不是替代关系，是叠加关系。一个好的运维人，未来应该是"懂业务 + 懂测试 + 懂 Agent 的基础设施把关人"。以前以为"懂业务 + 懂技术"是终极形态，现在发现是"懂业务 + 懂技术 + 懂 Agent"。这第三条腿最难学——没有几年测试和运维的肌肉记忆给你打底，你必须主动、定期、刻意地练。
05｜AI 不只在颠覆运维——研发和测试也在被一起改写
如果只看 AI 颠覆运维，会低估这一波的真正影响。
测试这一行处境最微妙。过去十年测试岗被自动化工具挤压——Selenium、Cypress、Playwright 已经吃掉大部分机械重复的 case。AI 来之后，连"探索式测试""边界 case 设计"也开始被 Agent 啃掉一层。但有一件事反而变贵了：判断"哪里容易出问题"——这是测试出身的人天然擅长的。测试出身的人未来最值钱的不是会写 case，而是会写"防 Agent 漏 case"的护栏——也就是 harness + Eval + sandbox 的设计能力。
研发这一行更复杂。AI 写代码已经比大部分中级工程师快——Anthropic 内部数据显示 60% 的工程师工作有 Claude 参与，其中 27% 是 agent 原本不会做的新工作量（Anthropic 工程研究）。研发岗正在分裂成两种人：一种是"用 AI 写得快"的人——正在被商品化；另一种是"用 AI 写得对"的人——正在变贵。差别在判断力、在领域知识、在"该不该做"。
三件事合在一起看，AI 对运维、研发、测试的影响是互相叠加的：
- 运维 Agent 跑得越稳，研发越专注写代码；
- 测试 Agent 跑得越全，运维越专注架构；
- 研发 Agent 写得越对，测试越专注边界。
单点被颠覆是一回事，三个角色互相补位后形成的"AI-first 团队"才是真正的终局。
写在最后｜给还在一线做事的人
回到最初那个画面：凌晨三点盯着 CI 看红灯、盯着 NAS 看转码、盯着 K8s 看 Pod 重启。
我不怀念这些。我感激 AI 把我从这些事里解放出来。
省下来的时间，我聚焦在核心业务上——产品方向、架构决策、关键问题 review。
我现在的判断有三句话：
- 运维岗短期不会消失，但会被快速颠覆：7 成传统运维会被 Agent 吃掉；2 成转型成 Harness/平台/安全/Eval 工程师；1 成顶尖人才成为 AI Reliability Engineer。
- "不插手"是新时代的核心能力：能不能让 AI 自己识别、自己判断、自己修复，自己只做最后验收——这是未来 5 年最稀缺的能力。
- AI 能超越我的经验，但把关和负责一定是人：AI 的能力可以远超任何一名工程师的运维和测试开发经验，但最后签字、最终负责这件事，永远不能交给 AI——出了事，必须有人承担。
几条就业上的实话——核心就一句：未来每一个一线岗位，都是"把关人 + 验收人 + Agent 设计师"：
- 运维：传统的"会修机器"在贬值，新的"会验收 AI + 会把关 + 设计 Agent 操作边界"在升维。1 年窗口期，学 harness/Eval/sandbox 设计；把判断产品化进 SKILL.md。
- 测试：测试设计 + 业务理解 + Agent 工具链 = 未来 3 年最稳的"验收人 + 把关人"组合。AI 时代真正变贵的两个优势是"哪里容易出问题"和"怎么写可验证的护栏"。
- 研发：把"会写代码"留给 AI，把"会判断该不该写 + 最终负责"留给自己；深度领域知识 + review 眼力是护城河。
- 初级：最危险的不是 AI 取代你，是你入职就直接用 AI，跳过"自己写一遍"这一步——失去"我亲手做过 → 我知道哪里会错 → 我能验收 + 把关 AI 对不对"这条肌肉记忆，3 年后你就没有判断力，那才是真正的失业风险。
如果想让 AI 接管你的运维工作，从你最有把握、最容易验收的事开始——日志巡检、磁盘清理、依赖升级、备份校验、镜像重建。让 AI "考过试"，再让它接更大的活——但每一道关，你都得亲自把关、亲自负责。
最后留一个问题——你最怕把哪一类运维工作交给 AI 自动处理？改生产配置？删数据？还是更抽象的——怕它"误判"故障的根因？
作者：猫咪不吃愚（科技从业者 / 程序员 / 运动爱好者） 写于 2026 年 9 月
本文由作者构思与整理写作框架，使用 AI 工具辅助资料检索与文字润色；文中所有亲身经历、判断与反思均由作者独立完成。