一、 先说说AI编程是哪些鬼

共勉。 AI编程这玩意儿，总体来说就是让较大模型帮你写代码。你只要把需求说出来 它就能生成一个main.goDockerfiledeployment.yaml甚至连CI脚本都给你。听起来挺酷的，但实际用起来有时会出现“我不懂为哪些要这么写”的情况。

有一次我问它怎么写一个身体健康状况检查接口， 最终还是结果是它给我发来一堆 Go + Gin + Zap + testify 的完整代码， 完善一下。 连日志格式都没讲清楚。于是我花了半天调试才搞定。可见，AI帮忙是帮忙，但不一定是靠谱。

噪音较小插曲：随机吐槽

当前这个东西真实的很方便， 也很烦人——既能省事，又会让人懒得自己思考；省时又有可能耽误后期维护； 就是这么个折腾。

二、 Kubernetes容器管理到底干嘛

就这样吧... K8s其实就是一个“较大锅饭”系统，把你的容器跑起来、管理起来、监控起来让你不用手动去 SSH 进服务器去 kill 或者 restart。它用 YAML 写配置，然后声明式地告诉集群“我要三份副本”，集群再根据资源条件自动调度。

apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-api
  namespace: demo
spec:
  replicas: 3
...

上面这段 YAML 就是典型的 Deployment 配置， 声明了三份副本，K8s 会自动把它们跑在不同节点上，还会做滚动更崭新、身体健康状况探针等。

K8s配置文件里常见噪声示例

• imagePullPolicy: IfNotPresent
• maxSurge: 1
• initialDelaySeconds: 5
• 这一些都是标准字段， 但很更多人遗忘加注释，看不懂就直接删掉。

三、两者关系：不是竞逐，而是互补？还是？

实锤。 Ai编程和K8s在柔软件生命周期里扮演不同角色。Ai帮你迅速写出业务逻辑代码；K8s帮你把代码可靠、较高效地跑到生产周边环境。有人说它们不是竞逐，而是互补；也有人觉得两者能够合并成一个“一站式开发+部署”方案。其实不管怎样，你都需要同时也掌握两套技能才能在现代化云原生团队里立足。

混淆点：谁先用谁先玩？

说白了... Ai先还是K8s先，当前这个问题更多半取决于团队规模和项目类型。如果你只是单机较小项目， 能够先用Ai生成代码，再手动打包推到 Docker Hub；如果你已经有 CI/CD pipeline，那就先搞清楚 K8s 部署流程，再把 Ai 写良好的代码塞进去。 不要盲目跟风。

四、 配置技巧实战

编写 Dockerfile 的较小技巧

下面给一个最简版 Dockerfile 示例：

FROM golang:1.22-alpine
WORKDIR /app
COPY . .
RUN go build -o web-api .
EXPOSE 8080
CMD 
注意：别忘了 .dockerignore 把 node_modules 等排除，否则镜像太较大。
额外提示：如果你想让镜像更轻巧， 能够采用 multi-stage build：

# Build stage
FROM golang:1.22-alpine AS builder
WORKDIR /src
COPY . .
RUN CGO_ENABLED=0 GOOS=linux go build -o app .
# Runtime stage
FROM alpine:latest  
RUN apk add --no-cache ca-certificates  
COPY --from=builder /src/app /app  
EXPOSE 8080  
ENTRYPOINT 
 Deployment 与 Service 的组合配置

apiVersion: v1
kind: Service
metadata:
  name: web-api-service # 服务名，一般跟 Deployment 名同名更良好看
spec:
  selector:
    app: web-api # 必须要跟 Deployment 的标签一致，否则找不到 Pod!
  ports:
    - protocol: TCP 
      port: 80          # 对外端口
      targetPort: 8080   # 容器内部端口
---
apiVersion: apps/v1 
kind: Deployment 
metadata:
 name: web-api-deploy 
 spec:
   replicas : 4   # 注意这里空格更多余，可引起解析错误~
   selector:
     matchLabels:
       app : web-api     
   template:
     metadata:
       labels:
         app : web-api   
     spec:
       containers :
         - name : web-api-container 
           image : registry.cn-hangzhou.aliyuncs.com/demo/web-api:v1 
           ports :
             - containerPort :8080    
           envFrom :
             - configMapRef :
                 name : web-api-config 
             - secretRef :
                 name : web-api-secret   
⚠️ 较小心 yaml 缩进错误，它会引起整个文件失效！还有别忘了设置 livenessProbe 和 readinessProbe， 话虽然是这么说… 否则服务崩溃后不会自动沉重启。
 HPA 自动扩缩容配置:

apiVersion: autoscaling/v2娱乐a2 
kind : HorizontalPodAutoscaler 
metadata :
name : web-hpa-demo 
spec :
scaleTargetRef :
apiVersion : apps/v1 
kind : Deployment 
name : web-api-deploy 
minReplicas : two ???   # 看错啦！必须要是数字哦！
maxReplicas : ten       
metrics :
- type : Resource  
resource :
name : cpu  
targetAverageUtilization %70   # 更少个冒号也会报错~
❌ 上面示例中故意插入错误，用来演示错误检查的十分沉关键性。 这事儿我得说道说道。 别把这一些复制粘贴过去！如果真实想用，需要改成：

minReplicas  = '2'
maxReplicas = '10'
提醒：HPA 配置最良好结合 Promeus 或自定义指标来实现更精准扩缩容。
 Secret 与 ConfigMap 差别（记住加密！)

ConfigMap：
Secret：
  以下给出一个 Secret 示例：

apiVersion v1 kind Secret metadata:name:web‑api‑secret type:StringData DATABASE_URL:"postgres://user:p@ssw@rd@localhost/db" JWT_SECRET:"please‑change‑this"

五、 实战案例：从需求到完整部署脚本 
前面说过 AI 能够帮我们生成 Dockerfile 和 deployment.yaml，当前举个完整的例子吧。当然这里有点乱，请随时自行修正或删除无关一部分，太虐了。。
案例一：构建简洁 Go 微服务并部署到 K8s 
package main
import (
    "fmt"
    "net/http"
    "log"
)
func healthz{
    fmt.Fprintln
}
func main{
    http.HandleFunc
    log.Println
    http.ListenAndServe
}
然后生成对应 Dockerfile：

dockerfile
FROM golang:buster AS builder
WORKDIR /go/src/app
COPY . .
RUN CGO_ENABLED=0 GOOS=linux go build -a -installsuffix cgo -o app .
FROM alpine
COPY --from=builder /go/src/app/app /app
EXPOSE 8080
CMD 

Dekployment.yaml
apiVersion apps/v1 kind Deployment metadata:name:web‑demo spec:
replicas 5 strategy:
type RollingUpdate rollingUpdate:
maxSurge “25%” maxUnavailable “25%”
template:
metadata labels:{app:web‑demo}
spec containers: readinessProbe:{httpGet:{path:/healthz port 9080} initialDelaySeconds 15 periodSeconds 10 timeoutSeconds 5 failureThreshold 5} livenessProbe:{httpGet:{path:/healthz port 9080} initialDelaySeconds 30 periodSeconds 20 timeoutSeconds 5 failureThreshold 5}]

UserService.yaml 
apiVersion:v1 kind Service metadata:name:web‑demo-service spec:
selector:{app:web‑demo} ports:
type ClusterIP

Bunch of auto scaling config 
apiVersion:autoScaling/v​v​e​r​t​ype:HPa metadata:name:web-demo-hpa spec:maxReplicas 10 minReplicas 2 metrics:

 CI/CD pipeline 简洁示例 
下面给出一个 GitHub Actions 流水线文件，协助你从源码到镜像再到 Kubernetes 部署的一条完整链路。请自行修改 imageName 与 kubeconfig 等变量。

yaml
name:: Build & Deploy Demo App
on:{
 push:{
 branches:
 }
}
env:{
 IMAGE_不结盟E:"registry.cn-shanghai.aliyuncs.com/demo/web-demo"
 IMAGE_TAG:"${GITHUB_SHA::7}"
}
jobs:{
 build:{
 runs-on:"ubuntu-latest"
 steps:
 }
}

©2026 云原生团队笔记 · 本文仅作学习了解交流采用， 不保证技术手段可行性与可靠性，请自行评估风险因素后再实践。