基础设施即代码

Articles tagged "基础设施即代码"

2 articles in total

August 12, 2026

FDE技能指南：T型职业发展路径

本文是一份前线部署工程师（FDE）的T型技能与职业路径指南，发布于2026年8月。文章指出，FDE处于全栈软件工程、解决方案架构和客户管理三者的交叉点，是Agentic AI在企业中成功部署的关键推动者。通过对Ankur Kumar等行业专家的引述，文章强调FDE成功取决于理解业务问题、应用产品知识并在客户现场持续演化技能，因为Agentic设计模式、生产级最佳实践和评估方法变化极快。FDE的T型结构包括横向八项核心技能：全栈软件工程（Python、Java、Go、Rust及REST、GraphQL、gRPC等）、数据工程与ETL（Kafka、Spark、Snowflake）、云与基础设施（Docker、Kubernetes及至少两个主流云平台）、GPU基础设施基础、技术发现与范围界定（C4模型）、解决方案架构、产品反馈闭环以及客户沟通与危机管理。纵向深度要求精通一个Agentic AI平台，文章列举了LangGraph、CrewAI、Google Vertex AI Agent Builder、AWS Bedrock Agents、Microsoft Copilot Studio、Azure AI Agent Service和Databricks Agent Framework七个选项，并提供了一个九周实战计划，从ReAct循环基础、RAG知识Agent、多智能体系统、多模态Agent、通信协议（MCP、A2A）、混合搜索（SPLADE、BGE、Qdrant）、可观测性与安全（LangSmith、DeepEval、Guardrails AI、Presidio）到微调（LoRA、QLoRA、Hugging Face Hub），每阶段均有可交付项目。文章还对标Palantir、OpenAI、Google、Microsoft、AWS、Deloitte和Endava的实际招聘要求

June 28, 2026

MLOps：在 Azure Databricks 上为 ML 模型构建 CI/CD 流水线

本文是一篇面向ML团队的实操教程，系统讲解如何在Azure Databricks上构建端到端的ML模型CI/CD流水线。文章使用客户流失预测模型作为案例，完整覆盖从代码提交到生产端点更新的自动化流程。核心组件包括：MLflow负责实验跟踪、模型版本化与注册表别名管理；Databricks Asset Bundles实现基础设施即代码，定义训练与验证作业及集群规格；GitHub Actions作为CI/CD协调器，在PR阶段执行代码检查与单元测试，在合并主分支后触发训练与部署；Delta Lake作为特征与验证数据湖，记录数据版本以确保特征可重现；Databricks Model Serving提供托管REST端点。流水线通过多阶段门控确保质量：CI阶段执行lint与测试，训练阶段使用GradientBoostingClassifier进行全量训练并通过MLflow autologging自动记录参数、指标和模型签名，注册阶段将模型版本注册至MLflow注册表，验证阶段在保留集上检查指标阈值（ROC-AUC≥0.80、F1≥0.72、精度≥0.70），仅通过后才会使用‘Production’别名提升模型，最后自动更新服务端点。文章还详述了生产环境注意事项，如固定Databricks Runtime版本、使用Azure Key Vault管理秘密、设定相对当前生产模型的指标基线、通过git SHA标记每次运行以及启用服务端点零缩放以降低成本。整套模式强调完全自动化、可重复性与可追溯性，展示了MLOps工程化落地的完整范式。