凌晨三点，手机响了。值班同事说某台服务器磁盘使用率冲到98%，业务随时可能写不进去数据。我打开电脑，连上VPN，先看监控面板，再登机器查日志，发现是一个临时文件目录没配清理策略，堆积了上百G的垃圾。删掉，加个定时任务，前后不到二十分钟。这就是运维的日常——不出事的时候没人想起你，出事的时候第一个找你。

很多人以为运维就是修电脑、拉网线、装系统。不完全是。修电脑那是IT支持，运维管的是服务器、网络、数据库、中间件、云平台这一整条链路。用户打开一个网页，背后要经过CDN、负载均衡、网关、应用服务器、缓存、数据库，任何一环卡住，页面就转圈。运维要保证这一整条链路活着，还得跑得快、扛得住。

具体点说，运维的工作分几块。一是部署和发布。开发写完代码，得有人把它弄到服务器上跑起来。以前是手工传包、重启服务，现在多用CI/CD流水线，代码一提交自动构建、测试、上线。但流水线本身也是运维在维护。二是监控和告警。服务器CPU、内存、磁盘、网络，应用的响应时间、错误率、队列积压，全要盯着。监控工具一屏一屏的曲线图，报警规则设得不好，半夜能给你打几十个电话。三是故障处理。磁盘满了、内存泄漏、数据库死锁、证书过期、被DDoS打了，都得快速定位和恢复。四是容量规划。业务涨了，要不要加机器？数据库要不要分库分表？带宽够不够？这些得提前算。五是安全补丁和备份。系统漏洞要修，数据要定时备份，还得定期演练恢复，不然真出事的时候备份是坏的，哭都来不及。

我干过一件事：给一台老数据库做迁移。业务不能停，数据量两个T。方案是主从复制加切换，提前一周每天同步增量，切换那天凌晨停写五分钟，改VIP，验证，再放开。听起来简单，中间踩了坑——从库的磁盘IO跟不上，延迟一直涨。临时换了SSD才压住。切完那天早上，业务同事说“感觉没停啊”，这就是运维想要的效果。

这行有个特点：干得好，别人感觉不到你存在；干得不好，所有人都能感觉到。系统稳如老狗的时候，没人夸你。一旦宕机，群里立马炸锅。所以运维得有点强迫症，看到磁盘70%就想清，看到内存涨了就想查，看到日志里有error就想追。还得会写脚本，Python、Shell至少熟一个，不然重复劳动能累死。现在云原生火了，K8s、Docker、Terraform这些也得会，不然连工作都找不到。

有人问运维和SRE有什么区别。简单说，SRE是运维的一种进化版，用软件工程的方法解决运维问题。比如用代码定义基础设施，用自动化代替手工操作，用错误预算来平衡稳定性和迭代速度。但本质没变——让系统可靠运行。

干这行累吗？累。值班、on-call、半夜爬起来处理故障，都是常事。但也有成就感。你搭的监控提前发现了问题，你写的脚本省了同事半天时间，你设计的架构扛住了流量高峰。这些东西实实在在。运维不是主角，但没它，戏演不下去。